Problem Description¶

The GeoAI ground-level NO2 estimation challenge will ask participants to develop ML models to estimate surface NO2 concentrations using only public remote sensing data as predictor variables. Participants will be provided with ground truth data from air quality monitoring stations and remote sensing data processed by Google Earth Engine (GEE). The challenge encourages participants to explore innovative approaches to NO2 monitoring and modelling, while emphasising simplicity, reproducibility, and transparency in their methodologies. Participants will need to test their models not only in general terms, but also spatially over the study area and temporally over the year, and be able to interpret the given results.

The data is:

-Ground-truth data from air quality monitoring stations in the continental part of Lombardy and Veneto regions. -Remote sensing data of NO2 from Sentinel-5P TROPOMI, precipitation from CHIRPS and land surface temperature from NOAA datasets, all from Google Earth Engine (GEE).

In [120]:
# Importación de librerías estándar
import os
import math
import time
from datetime import datetime

# Importación de librerías para procesamiento de datos
import numpy as np
import pandas as pd
import geopandas as gpd
from shapely.geometry import Point

# Importación de librerías para visualización
import matplotlib.pyplot as plt
import plotly.express as px
import seaborn as sns

# Importación de librerías de tqdm para el progreso
from tqdm.notebook import tqdm
from tqdm import tqdm

# Importación de librerías de scikit-learn para preprocesamiento y modelado
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.linear_model import BayesianRidge
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, MinMaxScaler, scale
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestRegressor, ExtraTreesRegressor
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from sklearn.tree import DecisionTreeRegressor
from sklearn.inspection import PartialDependenceDisplay
from scikeras.wrappers import KerasRegressor
from keras_tuner import Hyperband 
from keras.callbacks import EarlyStopping 
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import Adam
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import BaggingRegressor

# Importación de librerías adicionales
import pycaret
import xgboost as xgb

1. Recolección de data¶

In [121]:
#Cargar data
train = pd.read_csv("/Users/carlazurcher/Downloads/geoai-ground-level-no2-estimation-challenge20240612-4943-16iro0r/Train.csv")
train.head(10)
Out[121]:
ID_Zindi Date ID LAT LON Precipitation LST AAI CloudFraction NO2_strat NO2_total NO2_trop TropopausePressure GT_NO2
0 ID_ENTGC7 1/1/19 PD01 45.601585 11.903551 0.000000 NaN 0.230527 0.559117 0.000024 0.000117 NaN 14440.82126 31.0
1 ID_8JCCXC 1/1/19 PD04 45.371005 11.840830 3.047342 NaN -0.074006 0.869309 0.000024 0.000127 NaN 14441.79815 42.0
2 ID_V3136Z 1/1/19 RO01 45.045825 12.060869 0.000000 NaN 0.024470 0.674160 0.000024 0.000086 NaN 14437.38294 31.0
3 ID_KRVZDJ 1/1/19 RO02 45.104075 11.553241 1.200467 NaN -0.010442 0.920054 0.000024 0.000124 NaN 14440.83831 30.0
4 ID_PR351A 1/1/19 RO03 45.038758 11.790152 1.274564 NaN -0.176178 0.747464 0.000024 0.000116 NaN 14438.79037 58.0
5 ID_4XN0K8 1/1/19 TV01 45.889734 12.307124 0.000000 278.38 -0.366831 0.324392 0.000023 0.000109 NaN 14432.05624 26.0
6 ID_O0RJKX 1/1/19 TV02 45.671721 12.237807 0.000000 NaN 0.188599 0.818422 0.000024 0.000135 NaN 14436.70176 38.0
7 ID_1APJEY 1/1/19 VE01 45.629092 12.590682 0.000000 NaN 0.507837 0.926018 0.000024 0.000137 NaN 14435.01960 34.0
8 ID_4B1H1U 1/1/19 VE02 45.499618 12.261249 0.000000 NaN 0.087363 0.835097 0.000024 0.000104 NaN 14438.51425 41.0
9 ID_3JD1GC 1/1/19 VE03 45.428424 12.312930 0.650355 NaN 0.208678 0.812696 0.000024 0.000117 NaN 14437.71015 35.0

2. Limpiar datos¶

In [122]:
#Observar caracteristicas de los datos
train.describe()
Out[122]:
LAT LON Precipitation LST AAI CloudFraction NO2_strat NO2_total NO2_trop TropopausePressure GT_NO2
count 86584.000000 86584.000000 86584.000000 46798.000000 73709.000000 73709.000000 73709.000000 73709.000000 51111.000000 73709.000000 82051.000000
mean 45.421456 10.014272 2.585528 299.268841 -1.274999 0.200606 0.000045 0.000156 0.000105 16655.112392 24.535051
std 0.225409 1.056637 7.617394 10.927167 0.693003 0.259607 0.000012 0.000103 0.000092 3000.748790 17.108838
min 44.924694 8.736497 0.000000 253.200000 -5.196266 0.000000 0.000013 -0.000012 -0.000025 8614.349685 0.000000
25% 45.249544 9.195325 0.000000 290.920000 -1.749425 0.023900 0.000034 0.000100 0.000047 14432.114060 11.875000
50% 45.478996 9.611738 0.000000 300.760000 -1.349746 0.078478 0.000047 0.000122 0.000071 16711.190570 20.000000
75% 45.601232 10.683357 0.000000 307.940000 -0.878857 0.278451 0.000056 0.000173 0.000129 19252.648570 33.050000
max 45.889734 12.590682 135.396805 327.840000 2.143020 1.000000 0.000073 0.002047 0.001097 24449.007150 188.233333
  • Precipitation y GT_NO2 tiene un valor max muy alejado del resto del 75% de los datos. Se debe investigar más sobre el comportamietno de estos valores
In [123]:
#Verifico data type
train.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 86584 entries, 0 to 86583
Data columns (total 14 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   ID_Zindi            86584 non-null  object 
 1   Date                86584 non-null  object 
 2   ID                  86584 non-null  object 
 3   LAT                 86584 non-null  float64
 4   LON                 86584 non-null  float64
 5   Precipitation       86584 non-null  float64
 6   LST                 46798 non-null  float64
 7   AAI                 73709 non-null  float64
 8   CloudFraction       73709 non-null  float64
 9   NO2_strat           73709 non-null  float64
 10  NO2_total           73709 non-null  float64
 11  NO2_trop            51111 non-null  float64
 12  TropopausePressure  73709 non-null  float64
 13  GT_NO2              82051 non-null  float64
dtypes: float64(11), object(3)
memory usage: 9.2+ MB
In [124]:
#Verifico que ID_Zindi no tenga duplicados
duplicates = train[train.duplicated(subset=['ID_Zindi'], keep=False)]

# Print duplicados
print("Duplicates in column '{}' are:".format('ID_Zindi'))
print(duplicates)

Duplicates in column 'ID_Zindi' are:
        ID_Zindi      Date      ID        LAT        LON  Precipitation  \
27049  ID_LMYYAX   9/12/19  X30163  45.513039  10.191942            0.0   
58817  ID_ZHFIGQ  14-01-21   X5547  45.551042   9.162614            0.0   
72174  ID_LMYYAX    2/7/21   X5579  45.697952   9.406191            0.0   
81055  ID_ZHFIGQ  23-10-21    PD04  45.371005  11.840830            0.0   

          LST       AAI  CloudFraction  NO2_strat  NO2_total  NO2_trop  \
27049     NaN -1.045318       0.720345   0.000030   0.000288       NaN   
58817  283.32 -1.443808       0.014917   0.000023   0.000352  0.000329   
72174  315.06 -0.240127       0.035781   0.000062   0.000114  0.000052   
81055  294.90 -0.837195       0.075230   0.000041   0.000144  0.000103   

       TropopausePressure  GT_NO2  
27049         22190.99169  49.275  
58817         14423.64429  72.200  
72174         19243.52026  25.200  
81055         16734.66441  23.000
In [125]:
# Drop la primera entrada de filas duplicadas
index_to_drop = [27049,58817]
train.drop(index=index_to_drop, inplace=True)
In [126]:
#Corregir formato de fecha mixto (algunos poseen / otros -)
train['Date'] = train['Date'].str.replace('/', '-')

#Corregir fecha a datetime
train['Date']=pd.to_datetime(train['Date'],format='%d-%m-%y', dayfirst=True)
train['Date']
Out[126]:
0       2019-01-01
1       2019-01-01
2       2019-01-01
3       2019-01-01
4       2019-01-01
           ...    
86579   2021-12-31
86580   2021-12-31
86581   2021-12-31
86582   2021-12-31
86583   2021-12-31
Name: Date, Length: 86582, dtype: datetime64[ns]
In [127]:
#Verifico resultados
train.info()

<class 'pandas.core.frame.DataFrame'>
Index: 86582 entries, 0 to 86583
Data columns (total 14 columns):
 #   Column              Non-Null Count  Dtype         
---  ------              --------------  -----         
 0   ID_Zindi            86582 non-null  object        
 1   Date                86582 non-null  datetime64[ns]
 2   ID                  86582 non-null  object        
 3   LAT                 86582 non-null  float64       
 4   LON                 86582 non-null  float64       
 5   Precipitation       86582 non-null  float64       
 6   LST                 46797 non-null  float64       
 7   AAI                 73707 non-null  float64       
 8   CloudFraction       73707 non-null  float64       
 9   NO2_strat           73707 non-null  float64       
 10  NO2_total           73707 non-null  float64       
 11  NO2_trop            51110 non-null  float64       
 12  TropopausePressure  73707 non-null  float64       
 13  GT_NO2              82049 non-null  float64       
dtypes: datetime64[ns](1), float64(11), object(2)
memory usage: 9.9+ MB
In [128]:
#Paso ID a index 
train.set_index('ID_Zindi', inplace=True)

#Agrupo variables numericas
train_numeric= train.select_dtypes(include=['number'])
train_numeric
Out[128]:
LAT LON Precipitation LST AAI CloudFraction NO2_strat NO2_total NO2_trop TropopausePressure GT_NO2
ID_Zindi
ID_ENTGC7 45.601585 11.903551 0.000000 NaN 0.230527 0.559117 0.000024 0.000117 NaN 14440.82126 31.000
ID_8JCCXC 45.371005 11.840830 3.047342 NaN -0.074006 0.869309 0.000024 0.000127 NaN 14441.79815 42.000
ID_V3136Z 45.045825 12.060869 0.000000 NaN 0.024470 0.674160 0.000024 0.000086 NaN 14437.38294 31.000
ID_KRVZDJ 45.104075 11.553241 1.200467 NaN -0.010442 0.920054 0.000024 0.000124 NaN 14440.83831 30.000
ID_PR351A 45.038758 11.790152 1.274564 NaN -0.176178 0.747464 0.000024 0.000116 NaN 14438.79037 58.000
... ... ... ... ... ... ... ... ... ... ... ...
ID_NCWXIY 45.498227 9.556232 0.000000 NaN -0.434350 0.250490 0.000032 0.000643 NaN 13063.79770 39.750
ID_UDQIEE 45.142541 10.043836 0.000000 NaN NaN NaN NaN NaN NaN NaN 30.125
ID_ENDUPX 45.842207 9.351658 0.000000 284.98 -0.157753 0.000000 0.000031 0.000153 0.000122 13050.16499 28.325
ID_3ZBA6C 45.113503 8.874065 0.000000 NaN -0.798636 0.399524 0.000031 0.000717 NaN 13061.41329 21.250
ID_GWG0LD 45.526473 9.515980 0.000000 NaN -0.434482 0.250530 0.000032 0.000643 NaN 13063.79500 40.350

86582 rows × 11 columns

3. EDA Analisis exploratorio de datos¶

3.1 Reporte a profunidad¶

  • Hay varias variables con altos porcentajes de valores missing. Esto se debe evaluar más adelante.

  • Hay possibles correlaciones entre varias variables. En el mapa de correlaciones se observa: Correlacion medianamente fuerte entre GT_NO2 y NO2_trop, NO2_total. Correlación negativa entre GT_NO2 y NO2_strat. Correlacion fuerte entre NO2_Trop y NO2_total. Correlacion entre NO2_strat y LST.

  • CloudFraction, Precipitation,NO2_total,No2_trop presentan asimetria hacia la izquierda.

In [89]:
import pandas_profiling
pandas_profiling.ProfileReport(train_numeric)

Summarize dataset:   0%|          | 0/5 [00:00<?, ?it/s]
Generate report structure:   0%|          | 0/1 [00:00<?, ?it/s]
Render HTML:   0%|          | 0/1 [00:00<?, ?it/s]
Out[89]:
























3.2 Boxplot para analizar comportamientio de outliers y Kernel Density Estimate plot¶
*Precipitation, AAI, NO2_total, NO2_trop, Cloudfraction, GT_NO2 presentan outliers. En especifico Precipitation tiene la mayor parte de su población en 0, lo cual genera un comportamiento de outliers más extremo.


Modelos tree based como decision trees, random forest o gradient bosst son más resistentes a los outliers por la naturaleza en como manejan la data, por lo que será buena idea probar estos modelos más adelante.


















In [90]:






fig, axes = plt.subplots(nrows=3, ncols=4, figsize=(18, 12))
axes = axes.flatten()

# Generate boxplots for each numerical variable
for i, var in enumerate(train_numeric):
    sns.boxplot(train_numeric[var], color='blue', ax=axes[i])
    axes[i].set_title(f'Boxplot de {var}')
    axes[i].set_xlabel(var)
    axes[i].set_ylabel('Frecuencia')

# Hide any remaining empty subplots
if len(train_numeric) < len(axes):
    for j in range(len(train_numeric), len(axes)):
        axes[j].axis('off')  # This hides the axis completely


plt.tight_layout()
plt.savefig('Boxplot.png')
plt.show()
























No description has been provided for this image























KDE Plot¶
*NO2_total, No2_trop, CloudFraction y Precipitation tienen una asimetria hacia la izquierda.


*TopopausePressure presenta varios grupos marcados, los picos podrían representar diferentes climas o diferentes presiones a lo largo de las estaciones del año.


















In [91]:






# Number of plots per row and column
n_rows, n_cols = 4, 4

# Create a figure with a 3x3 grid of subplots
fig, axes = plt.subplots(n_rows, n_cols, figsize=(15, 15))

# Flatten the axes array for easy iteration
axes = axes.flatten()

# Generate Kernel Density Plots for each numerical variable
for i, col in enumerate(train_numeric):
    sns.kdeplot(train_numeric[col], shade=True, ax=axes[i])
    axes[i].set_title(f'Kernel Density Plot of {col}')
    axes[i].set_xlabel(col)
    axes[i].set_ylabel('Density')

# Remove any empty subplots
for j in range(i + 1, n_rows * n_cols):
    fig.delaxes(axes[j])


# Adjust layout
plt.tight_layout()
plt.show()
























No description has been provided for this image























3.4 Componente de tiempo.¶
La mayoría de las variables tiene una componente estacional, se observa patrones definidos a lo largo del tiempo al rededor de los mismos meses.


















In [92]:






#Timeseries analisis

timeseries = train_numeric.drop(['LAT', 'LON'], axis=1)

#Uno Date a train_numeric dataset
train_numeric_with_date = timeseries.merge(train[['Date']], left_index=True, right_index=True, how='left')
train_numeric_with_date

fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(25, 20))
axes = axes.flatten()

for i, var in enumerate(timeseries):
    axes[i].plot(train_numeric_with_date['Date'], train_numeric_with_date[var], label=var)
    axes[i].set_title(f'Serie Temporal de la Concentración de {var}')
    axes[i].set_xlabel('Date')
    axes[i].set_ylabel(f'Concentración de {var}')
    axes[i].legend()


# Esconder subplts vacios
for j in range(len(train_numeric), len(axes)):
    fig.delaxes(axes[j])


plt.tight_layout()
plt.show()
























No description has been provided for this image























3.5 Analisis de correlaciones¶






















    

  • Analisis de correlacion que ya habiamos visto anteriormente con el pandas_progiling. Pero se detalla los valores en un grafico de barras horizontales para mejor apreciacion de las correlaciones con respecto a la variable objetivo GT_NO2.
    

    • 

  • No2_strat, LST tienen una correlacion media negativa con respecto a la variable objetivo.
    

    • 

  • No2_total y NO2_trop tienen correlacion fuerte positiva respecto a la variable objetivo.
    

    • 



















In [93]:






missing_correlation = train_numeric.corr()
sns.heatmap(missing_correlation, cmap='coolwarm')


plt.show()
























No description has been provided for this image



















In [94]:






(missing_correlation
     .GT_NO2
     .drop('GT_NO2') # don't compare with myself
     .sort_values(ascending=False)
     .plot
     .barh())





















Out[94]:




<Axes: >











No description has been provided for this image























3.7 Pair Plot¶
    

  • Se aprecian relaciones lineales entre No2_total y No2 trop.
    • 

  • Los mayores valores de GT_NO2 respecto a la variable AAI se aprecian alrededor de -1.
    • 



















In [95]:






# Create a pairplot
sns.pairplot(train_numeric,diag_kind='kde')
plt.show()
























No description has been provided for this image























Con el pair plot se logra observar la correlacion entre las variables NO2_total y NO2_trop, indicada en la matriz de correlacion. Se observa que es una correlación positiva, conforme aumenta el valor de una variable, aumenta el de la otra. Es importante evitar variables con correlaciones altas porque pueden introducir redundancia, dificultar la interpretación del modelo, aumentar el riesgo de sobreajuste y reducir la eficiencia computacional.¶






















3.8 Geographical distribution¶
    

  • No se aprecia nada puntual con respecto a la ubicación. Tienen valores bastante similares.
    • 



















In [96]:






# Convert the DataFrame to a GeoDataFrame
geometry = [Point(xy) for xy in zip(train_numeric['LON'], train_numeric['LAT'])]
geo_data = gpd.GeoDataFrame(train_numeric, geometry=geometry)

# Plot the GeoDataFrame
fig, ax = plt.subplots(1, 1, figsize=(15, 15))
geo_data.plot(column='GT_NO2', ax=ax, legend=True, cmap='OrRd', markersize=100, legend_kwds={'label': "NO2 Concentration (µg/m³)"})

# Add title and labels
plt.title('Geographical Distribution of NO2 Concentrations')
plt.xlabel('Longitude')
plt.ylabel('Latitude')

# Show the plot
plt.show()
























No description has been provided for this image























4. Limpieza y preparación de la data¶






















4.1 Separo month, date, year¶


















In [129]:






#Uno Date a train_numeric dataset
train_numeric = train_numeric.merge(train[['Date']], left_index=True, right_index=True, how='left')

# Extraer informacion importante de datetime
train_numeric['Year'] = train_numeric['Date'].dt.year
train_numeric['Month'] = train_numeric['Date'].dt.month
train_numeric['Day'] = train_numeric['Date'].dt.day

#Eliminar date compuesta
train_numeric.drop('Date', axis=1,inplace=True)
train_numeric





















Out[129]:












LAT
LON
Precipitation
LST
AAI
CloudFraction
NO2_strat
NO2_total
NO2_trop
TropopausePressure
GT_NO2
Year
Month
Day




ID_Zindi




















ID_ENTGC7
45.601585
11.903551
0.000000
NaN
0.230527
0.559117
0.000024
0.000117
NaN
14440.82126
31.000
2019
1
1




ID_8JCCXC
45.371005
11.840830
3.047342
NaN
-0.074006
0.869309
0.000024
0.000127
NaN
14441.79815
42.000
2019
1
1




ID_V3136Z
45.045825
12.060869
0.000000
NaN
0.024470
0.674160
0.000024
0.000086
NaN
14437.38294
31.000
2019
1
1




ID_KRVZDJ
45.104075
11.553241
1.200467
NaN
-0.010442
0.920054
0.000024
0.000124
NaN
14440.83831
30.000
2019
1
1




ID_PR351A
45.038758
11.790152
1.274564
NaN
-0.176178
0.747464
0.000024
0.000116
NaN
14438.79037
58.000
2019
1
1




...
...
...
...
...
...
...
...
...
...
...
...
...
...
...




ID_NCWXIY
45.498227
9.556232
0.000000
NaN
-0.434350
0.250490
0.000032
0.000643
NaN
13063.79770
39.750
2021
12
31




ID_UDQIEE
45.142541
10.043836
0.000000
NaN
NaN
NaN
NaN
NaN
NaN
NaN
30.125
2021
12
31




ID_ENDUPX
45.842207
9.351658
0.000000
284.98
-0.157753
0.000000
0.000031
0.000153
0.000122
13050.16499
28.325
2021
12
31




ID_3ZBA6C
45.113503
8.874065
0.000000
NaN
-0.798636
0.399524
0.000031
0.000717
NaN
13061.41329
21.250
2021
12
31




ID_GWG0LD
45.526473
9.515980
0.000000
NaN
-0.434482
0.250530
0.000032
0.000643
NaN
13063.79500
40.350
2021
12
31






86582 rows × 14 columns


























4.2 Tratamiento de missings¶
Como se menciona anteriormente, con pandas_profiling, se encuentra un gran porcentaje de valores missing. LST y NO2_trop tienen % de missings muy altos.
Imputar la variable objetivo puede ser problematico y no es recomendado en la literatura. Introduce bias en el modelo, por lo que se eliminan ese 5% de muestras que contienen GT_NO2 missing.


















In [130]:






#Definicion para deteccion de missings

def missing_proport(df):
    df = df.apply(lambda x: x.isna().sum()/df.shape[0]*100)
    df = df.sort_values(ascending=False)
    return df

#Aplico formula
missing_proport(train_numeric)





















Out[130]:




LST                   45.950659
NO2_trop              40.969255
AAI                   14.870296
CloudFraction         14.870296
NO2_strat             14.870296
NO2_total             14.870296
TropopausePressure    14.870296
GT_NO2                 5.235499
LAT                    0.000000
LON                    0.000000
Precipitation          0.000000
Year                   0.000000
Month                  0.000000
Day                    0.000000
dtype: float64




















In [131]:






# Drop rows where 'GT_NO2' is NaN
train_numeric.dropna(subset=['GT_NO2'], inplace=True)

#Verifico Nan otra vez
missing_proport(train_numeric)





















Out[131]:




LST                   45.817743
NO2_trop              40.741508
AAI                   14.769223
CloudFraction         14.769223
NO2_strat             14.769223
NO2_total             14.769223
TropopausePressure    14.769223
LAT                    0.000000
LON                    0.000000
Precipitation          0.000000
GT_NO2                 0.000000
Year                   0.000000
Month                  0.000000
Day                    0.000000
dtype: float64
























Utilizar Imputador MICE para la imputacion de missings de las demas variables (No la objetivo). Utiliza una serie de modelos de regresión, iterando sobre cada característica con datos faltantes para imputarla en función de otras variables. De utilidad cuando son varias variables con valores faltantes.


Se utilizó el estimator ExtraTreesRegressor en el proceso de imputación debido a su capacidad para capturar interacciones complejas en los datos y ser robusto frente a outliers


















In [132]:






#Imputacion para missings de las otras variables 

# Features para ser imputados
features = ['LST', 'NO2_trop', 'AAI', 'CloudFraction', 'NO2_strat', 'NO2_total', 'TropopausePressure']

# Reset index antes de normalizar
train_numeric.reset_index(inplace=True)

# Normalizar la data para un mejor manejo.
scaler_missings = MinMaxScaler()
train_numeric_scaled = scaler_missings.fit_transform(train_numeric[features])  

# Convertir el array normalizado de vuelta a DataFrame 
train_numeric_scaled = pd.DataFrame(train_numeric_scaled, columns=features)

# Usar la data normalziada para la imputacion
imputer = IterativeImputer(estimator=BayesianRidge())
df_imputed = imputer.fit_transform(train_numeric_scaled)

# Convertir de vuelta a dataFrame
df_imputed = pd.DataFrame(df_imputed, columns=features)

# Transformar de vuelta a escala original
df_imputed_original_scale = pd.DataFrame(scaler_missings.inverse_transform(df_imputed), columns=features)

# Reemplazar con los valores imputados
train_numeric.loc[:, features] = df_imputed_original_scale

# 'ID_Zindi' back as index
train_numeric.set_index('ID_Zindi', inplace=True)





















In [133]:






#Verifico NaN
missing_proport(train_numeric)





















Out[133]:




LAT                   0.0
LON                   0.0
Precipitation         0.0
LST                   0.0
AAI                   0.0
CloudFraction         0.0
NO2_strat             0.0
NO2_total             0.0
NO2_trop              0.0
TropopausePressure    0.0
GT_NO2                0.0
Year                  0.0
Month                 0.0
Day                   0.0
dtype: float64
























Tratamiento outliers¶






















Se aplicó el metodo IQR para tratamiento de outliers.


















In [134]:






def iqr_outliers(df, column):
    """
    Identify outliers using the IQR method.
    
    Parameters:
    - df: pandas DataFrame
    - column: str, the name of the column to check for outliers
    
    Returns:
    - pandas Series, with outliers flagged as True
    """
    Q1 = df[column].quantile(0.25)
    Q3 = df[column].quantile(0.75)
    IQR = Q3 - Q1
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    
    outliers = (df[column] < lower_bound) | (df[column] > upper_bound)
    return outliers

# Apply IQR outlier detection to all numeric columns
numeric_columns = train_numeric.select_dtypes(include=[np.number]).columns
numeric_columns = numeric_columns.drop('GT_NO2')

for column in numeric_columns:
    outliers = iqr_outliers(train_numeric, column)
    # You can choose to either remove these outliers or handle them in some other way
    print(f"Outliers in {column}: {outliers.sum()} out of {len(train_numeric)}")

# For example, capping/flooring the outliers:
def cap_floor_outliers(df, column, lower_limit=0.01, upper_limit=0.99):
    lower_quantile = df[column].quantile(lower_limit)
    upper_quantile = df[column].quantile(upper_limit)
    
    capped_values = np.where(df[column] < lower_quantile, lower_quantile,
                             np.where(df[column] > upper_quantile, upper_quantile, df[column]))
    
    return capped_values

# Apply capping/flooring to all numeric columns

#Crear copia de train_numeric
train_numericoutliers=train_numeric.copy()

for column in train_numeric:
    train_numericoutliers[column] = cap_floor_outliers(train_numericoutliers, column)

























Outliers in LAT: 0 out of 82049
Outliers in LON: 0 out of 82049
Outliers in Precipitation: 16832 out of 82049
Outliers in LST: 164 out of 82049
Outliers in AAI: 3750 out of 82049
Outliers in CloudFraction: 9705 out of 82049
Outliers in NO2_strat: 2 out of 82049
Outliers in NO2_total: 8463 out of 82049
Outliers in NO2_trop: 7796 out of 82049
Outliers in TropopausePressure: 8902 out of 82049
Outliers in Year: 0 out of 82049
Outliers in Month: 0 out of 82049
Outliers in Day: 0 out of 82049

























Busco mejor transformación para cada variable¶
Esto permite mejorar la relación entre las variables predictoras y el objetivo, aumentando la precisión


















In [103]:






## Definción de función para encontrar mejor tranformación
def mejorTransf(vv, target, name=False, tipo='cramer', graf=False):
    # Escalado de datos (evitar fallos de tamaño de float64 al hacer exp de número grande..cosas de python)
    vv = pd.Series(scale(vv), name=vv.name)
    # Traslación a valores positivos de la variable (sino falla log y las raíces!)
    vv = vv + abs(min(vv)) + 0.0001
    
    # Definimos y calculamos las transformaciones típicas  
    transf = pd.DataFrame({
        vv.name + '_ident': vv,
        vv.name + '_log': np.log(vv),
        vv.name + '_exp': np.exp(vv),
        vv.name + '_sqrt': np.sqrt(vv),
        vv.name + '_sqr': np.square(vv),
        vv.name + '_cuarta': vv**4,
        vv.name + '_raiz4': vv**(1/4)
    })
    
    # Distinguimos caso cramer o caso correlación
    if tipo == 'cramer':
        # Aplicar la función cramers_v a cada transformación frente a la respuesta
        tablaCramer = pd.DataFrame(transf.apply(lambda x: cramers_v(x, target)), columns=['VCramer'])
        
        # Si queremos gráfico, muestra comparativa entre las posibilidades
        if graf:
            px.bar(tablaCramer, x=tablaCramer.VCramer, title='Relaciones frente a ' + target.name).update_yaxes(categoryorder="total ascending").show()
        
        # Identificar mejor transformación
        if not tablaCramer.empty:
            best = tablaCramer.query('VCramer == VCramer.max()').index
            if len(best) > 0:
                ser = transf[best[0]].squeeze()
            else:
                ser = vv  # Return original variable if no best transformation found
        else:
            ser = vv  # Return original variable if tablaCramer is empty
    
    if tipo == 'cor':
        # Aplicar coeficiente de correlación a cada transformación frente a la respuesta
        tablaCorr = pd.DataFrame(transf.apply(lambda x: np.corrcoef(x, target)[0, 1]), columns=['Corr'])
        
        # Si queremos gráfico, muestra comparativa entre las posibilidades
        if graf:
            px.bar(tablaCorr, x=tablaCorr.Corr, title='Relaciones frente a ' + target.name).update_yaxes(categoryorder="total ascending").show()
        
        # Identificar mejor transformación
        if not tablaCorr.empty:
            best = tablaCorr.query('Corr.abs() == Corr.abs().max()').index
            if len(best) > 0:
                ser = transf[best[0]].squeeze()
            else:
                ser = vv  # Return original variable if no best transformation found
        else:
            ser = vv  # Return original variable if tablaCorr is empty
    
    # Aquí distingue si se devuelve la variable transformada o solamente el nombre de la transformación
    if name:
        return ser.name if 'ser' in locals() else vv.name
    else:
        return ser if 'ser' in locals() else vv





















In [104]:






#Defino variable objetivo 

varObj = train_numeric.GT_NO2

# Aplicar a las variables continuas la mejor transformación según correlacion frente a varObjCont
transf_cor = train_numericoutliers.apply(lambda x: mejorTransf(x,varObj, tipo='cor'))

# Pedir los nombres de las transformadas
transf_cor_names = train_numericoutliers.select_dtypes(include=np.number).apply(lambda x: mejorTransf(x,varObj,tipo='cor', name=True))

# Asignar nombres a las columnas de salida del proceso
transf_cor.info()

























<class 'pandas.core.frame.DataFrame'>
RangeIndex: 82049 entries, 0 to 82048
Data columns (total 14 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   LAT                 82049 non-null  float64
 1   LON                 82049 non-null  float64
 2   Precipitation       82049 non-null  float64
 3   LST                 82049 non-null  float64
 4   AAI                 82049 non-null  float64
 5   CloudFraction       82049 non-null  float64
 6   NO2_strat           82049 non-null  float64
 7   NO2_total           82049 non-null  float64
 8   NO2_trop            82049 non-null  float64
 9   TropopausePressure  82049 non-null  float64
 10  GT_NO2              82049 non-null  float64
 11  Year                82049 non-null  float64
 12  Month               82049 non-null  float64
 13  Day                 82049 non-null  float64
dtypes: float64(14)
memory usage: 8.8 MB

























La mejor transformación es la misma función. No se aplica ninguna transformación a las variables.¶






















4. MODELADO DE DATOS¶






















4.1 Normalizacion de datos.¶


















In [135]:






#Normalizar data y target separados
x = train_numericoutliers.drop('GT_NO2', axis=1)
y = train_numericoutliers['GT_NO2']

# Normalizar toda la data para un mejor manejo.
scaler_train_x= MinMaxScaler()
scaler_train_y=MinMaxScaler()

#Normalizar features
X_scaled = scaler_train_x.fit_transform(x)

#Normalizar target
y_scaled = scaler_train_y.fit_transform(y.values.reshape(-1, 1))

# Fit and transform on the selected features
# Convert scaled data back to DataFrame
features_scaled = pd.DataFrame(X_scaled, columns=x.columns)

target_scaled=pd.DataFrame(y_scaled,columns=['GT_NO2'])





















In [136]:






#Funcion para calcular metricas de modelos

def calculate_regression_metrics(y_real, y_pred):
    # Calculate and print Mean Absolute Error
    mae = mean_absolute_error(y_real, y_pred)
    print('- Mean Absolute Error (MAE):', mae)

    # Calculate and print Mean Squared Error
    mse = mean_squared_error(y_real, y_pred)
    print('- Mean Squared Error (MSE):', mse)

    # Calculate and print Root Mean Squared Error
    rmse = np.sqrt(mse)
    print('- Root Mean Squared Error (RMSE):', rmse)

    # Calculate and print R-squared
    r2 = r2_score(y_real, y_pred)
    print('- R-squared (R²):', r2)

























4.2 Train/test¶


















In [137]:






#Divido en train y test

X = features_scaled
y = target_scaled

X_train, X_test, y_train, y_test = train_test_split (X, 
                                                     y,
                                                     test_size = 0.2,
                                                     random_state = 32)

























4.3 PYCARET PARA DETERMINAR MEJOR MODELO¶


















In [108]:






from pycaret.regression import setup, compare_models

#Set up PyCaret
model_setup = setup(data=X, target=y)

#Entrenar modelos
best_model = compare_models()






























 
Description
Value






0
Session id
5757




1
Target
Day




2
Target type
Regression




3
Original data shape
(82049, 13)




4
Transformed data shape
(82049, 13)




5
Transformed train set shape
(57434, 13)




6
Transformed test set shape
(24615, 13)




7
Numeric features
12




8
Preprocess
True




9
Imputation type
simple




10
Numeric imputation
mean




11
Categorical imputation
mode




12
Fold Generator
KFold




13
Fold Number
10




14
CPU Jobs
-1




15
Use GPU
False




16
Log Experiment
False




17
Experiment Name
reg-default-name




18
USI
b487































 
Model
MAE
MSE
RMSE
R2
RMSLE
MAPE
TT (Sec)






et
Extra Trees Regressor
0.0804
0.0211
0.1451
0.7556
0.1014
0.3820
1.4390




rf
Random Forest Regressor
0.0952
0.0237
0.1540
0.7248
0.1076
0.4559
5.3840




xgboost
Extreme Gradient Boosting
0.1447
0.0361
0.1901
0.5804
0.1329
0.6841
0.1010




dt
Decision Tree Regressor
0.0975
0.0445
0.2110
0.4830
0.1463
0.4346
0.1210




knn
K Neighbors Regressor
0.1472
0.0449
0.2118
0.4792
0.1471
0.6908
0.1060




lightgbm
Light Gradient Boosting Machine
0.1800
0.0483
0.2198
0.4394
0.1538
0.9058
0.3020




gbr
Gradient Boosting Regressor
0.2300
0.0726
0.2694
0.1577
0.1871
1.1798
2.0820




ada
AdaBoost Regressor
0.2501
0.0837
0.2894
0.0280
0.2005
1.2823
0.2520




br
Bayesian Ridge
0.2534
0.0857
0.2928
0.0052
0.2028
1.3031
0.0180




ridge
Ridge Regression
0.2534
0.0857
0.2928
0.0052
0.2028
1.3028
0.0160




lr
Linear Regression
0.2534
0.0857
0.2928
0.0052
0.2028
1.3028
0.3610




huber
Huber Regressor
0.2533
0.0858
0.2928
0.0045
0.2028
1.2991
0.1220




omp
Orthogonal Matching Pursuit
0.2536
0.0858
0.2929
0.0039
0.2029
1.3044
0.0150




lasso
Lasso Regression
0.2543
0.0862
0.2936
-0.0005
0.2034
1.3146
0.0230




en
Elastic Net
0.2543
0.0862
0.2936
-0.0005
0.2034
1.3146
0.0160




llar
Lasso Least Angle Regression
0.2543
0.0862
0.2936
-0.0005
0.2034
1.3146
0.0130




dummy
Dummy Regressor
0.2543
0.0862
0.2936
-0.0005
0.2034
1.3146
0.0170




lar
Least Angle Regression
0.2547
0.0874
0.2955
-0.0145
0.2038
1.3067
0.0140




par
Passive Aggressive Regressor
0.3445
0.1797
0.4208
-1.0827
0.2792
1.6766
0.0190






































5. Modelos¶






















5.1 XGB¶


















In [109]:






# Inicializar modelo de XGBoost con parámetros específicos
model_xgb = xgb.XGBRegressor(
    objective='reg:squarederror',  
    learning_rate=0.1,             
    max_depth=5,                   
    n_estimators=100).fit(X_train, y_train)  

# Realizar la predicción con los datos de prueba
XGB_pred = model_xgb.predict(X_test)

# Invertir la normalización de las predicciones para devolverlas a la escala original
XGB_pred = scaler_train_y.inverse_transform(XGB_pred.reshape(-1, 1))

# Remodelar y_test a 2D antes de invertir la normalización
y_test_original = scaler_train_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, XGB_pred)

























- Mean Absolute Error (MAE): 6.006018367691799
- Mean Squared Error (MSE): 68.56479333642116
- Root Mean Squared Error (RMSE): 8.280386062039689
- R-squared (R²): 0.75081991646561

























5.2 Extra Trees Regressor¶


















In [110]:






# Inicializar modelo
etr_model = ExtraTreesRegressor(
    n_estimators=100, 
    random_state=42).fit(X_train, y_train)

# Realizar la predicción con los datos de prueba
etr_pred = etr_model.predict(X_test)

# Invertir la normalización de las predicciones para devolverlas a la escala original
etr_pred = scaler_train_y.inverse_transform(etr_pred.reshape(-1, 1))

# Remodelar y_test a 2D antes de invertir la normalización
y_test_original = scaler_train_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred)

























- Mean Absolute Error (MAE): 5.405888005283127
- Mean Squared Error (MSE): 56.665957991521694
- Root Mean Squared Error (RMSE): 7.527679455949336
- R-squared (R²): 0.7940629956163938

























5.4 Random Forest¶


















In [111]:






# Inicializar modelo
model_rf = RandomForestRegressor(
    n_estimators=100, 
    max_depth=5, 
    random_state=42).fit(X_train, y_train)

#Predicción
rand_forest_pred = model_rf.predict(X_test)

# Invertir la normalización de las predicciones para devolverlas a la escala original
rand_forest_pred = scaler_train_y.inverse_transform(rand_forest_pred.reshape(-1, 1))

# Remodelar y_test a 2D antes de invertir la normalización
y_test_original = scaler_train_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, rand_forest_pred)

























- Mean Absolute Error (MAE): 8.102475935667204
- Mean Squared Error (MSE): 120.31343488012884
- Root Mean Squared Error (RMSE): 10.968748099948728
- R-squared (R²): 0.5627535606117713

























5.5 Decision Tree¶


















In [112]:






# Inicializar modelo
model_tree = DecisionTreeRegressor(
    max_depth=5).fit(X_train, y_train)

#Prediccion
dec_tree_pred = model_tree.predict(X_test)

# Invertir la normalización de las predicciones para devolverlas a la escala original
dec_tree_pred = scaler_train_y.inverse_transform(dec_tree_pred.reshape(-1, 1))

# Remodelar y_test a 2D antes de invertir la normalización
y_test_original = scaler_train_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, dec_tree_pred)

























- Mean Absolute Error (MAE): 8.242595368227718
- Mean Squared Error (MSE): 124.9022919556353
- Root Mean Squared Error (RMSE): 11.175969396684804
- R-squared (R²): 0.5460766082903139

























6. Tecnicas para mejorar modelo¶






















6.1 Extra Tree Regressor con Validación cruzada¶
Validación cruzada para evaluar el desempeño en diferentes subconjuntos de los datos, reduce el riesgo de overfitting


















In [115]:






# Inicializar modelo
etr_model = ExtraTreesRegressor(
    n_estimators=100, 
    random_state=42)

# Realizar validación cruzada
cv = KFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(etr_model, X_train, y_train, cv=cv, scoring='neg_mean_squared_error')

# Convertir las puntuaciones de MSE negativo a MSE positivo y luego a RMSE
cv_rmse_scores = np.sqrt(-cv_scores)
print(f"Puntuaciones de RMSE en Validación Cruzada: {cv_rmse_scores}")
print(f"RMSE Promedio: {cv_rmse_scores.mean()}")

# Ajustar el modelo en todo el conjunto de datos de entrenamiento después de la validación cruzada
etr_model.fit(X_train, y_train)

# Realizar predicciones en el conjunto de prueba
etr_pred = etr_model.predict(X_test)

# Invertir la normalización de las predicciones
etr_pred = scaler_train_y.inverse_transform(etr_pred.reshape(-1, 1))

# Invertir la normalización de los valores verdaderos del conjunto de prueba
y_test_original = scaler_train_y.inverse_transform(y_test)

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred)

























Puntuaciones de RMSE en Validación Cruzada: [0.09692637 0.09800576 0.09797212 0.097096   0.0965412 ]
RMSE Promedio: 0.09730828891380468
- Mean Absolute Error (MAE): 5.405888005283127
- Mean Squared Error (MSE): 56.665957991521694
- Root Mean Squared Error (RMSE): 7.527679455949336
- R-squared (R²): 0.7940629956163938

























6.1 Tunning de ETR¶
Busco hiperparametros que permitan mejorar ajuste del modelo


















In [116]:






# Definir el modelo
etr = ExtraTreesRegressor(random_state=42)

# Definir los hyperparametros
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
    'bootstrap': [True, False]
}

# GridSearchCV
grid_search = GridSearchCV(estimator=etr, param_grid=param_grid, cv=5, n_jobs=-1, scoring='neg_mean_squared_error')

# Reshape y_train, y_test de ser necesario
y_train = np.ravel(y_train)
y_test = np.ravel(y_test)

# Fit GridSearchCV
grid_search.fit(X_train, y_train)

# Print mejores parametros y scroe
print(f"Best Parameters: {grid_search.best_params_}")
print(f"Best Score: {-grid_search.best_score_}")

























Best Parameters: {'bootstrap': False, 'max_depth': 30, 'min_samples_leaf': 1, 'min_samples_split': 5, 'n_estimators': 300}
Best Score: 0.009302621048174812





















In [118]:






#Agrego hiperparametros al modelo

#Inicializar modelo
etr_tunned = ExtraTreesRegressor(
    n_estimators=300,
    bootstrap=False,
    max_depth= 30, 
    min_samples_leaf=1,
    min_samples_split=5,
    random_state=42).fit(X_train, y_train)

# Realizar validación cruzada
cv = KFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(etr_tunned, X_train, y_train, cv=cv, scoring='neg_mean_squared_error')

# Convertir las puntuaciones de MSE negativo a MSE positivo y luego a RMSE
cv_rmse_scores = np.sqrt(-cv_scores)
print(f"Puntuaciones de RMSE en Validación Cruzada (normalizado): {cv_rmse_scores}")
print(f"RMSE Promedio (Normalizado): {cv_rmse_scores.mean()}")

# Ajustar el modelo en todo el conjunto de datos de entrenamiento después de la validación cruzada
etr_tunned.fit(X_train, y_train)

# Realizar predicciones en el conjunto de prueba
etr_pred = etr_tunned.predict(X_test)

# Invertir la normalización de las predicciones
etr_pred = scaler_train_y.inverse_transform(etr_pred.reshape(-1, 1))

# Invertir la normalización de los valores verdaderos del conjunto de prueba
y_test_original = scaler_train_y.inverse_transform(y_test.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred)

























Puntuaciones de RMSE en Validación Cruzada (normalizado): [0.09587721 0.0972971  0.09747166 0.09622014 0.09565425]
RMSE Promedio (Normalizado): 0.0965040739601254
- Mean Absolute Error (MAE): 5.369666311247146
- Mean Squared Error (MSE): 55.51723532967755
- Root Mean Squared Error (RMSE): 7.4509888826703765
- R-squared (R²): 0.7982377155405349

























6.4 Verifico importancia de variables de ETR¶


















In [66]:






# Obtener importancia
importances = etr_tunned.feature_importances_

# Crear DataFrame para visualizacion
import pandas as pd
importances_df = pd.DataFrame({
    'Feature': X_train.columns,
    'Importance': importances
}).sort_values(by='Importance', ascending=False)

# Print importancia
print(importances_df)

# Plot
plt.figure(figsize=(10, 6))
plt.barh(importances_df['Feature'], importances_df['Importance'], color='skyblue')
plt.xlabel('Importance')
plt.title('Feature Importance from Extra Trees Regressor Model')
plt.gca().invert_yaxis()  
plt.show()

























               Feature  Importance
8             NO2_trop    0.222963
7            NO2_total    0.152789
0                  LAT    0.110895
11               Month    0.106095
6            NO2_strat    0.097798
1                  LON    0.090353
3                  LST    0.047630
12                 Day    0.044465
10                Year    0.032420
5        CloudFraction    0.030928
9   TropopausePressure    0.021844
4                  AAI    0.021588
2        Precipitation    0.020232












No description has been provided for this image























De los plots se observa como LST, AAI, CloudFraction y Day tienen uy poca influencia en la variable objetivo. Un cambio en estos parametros no impacta en la dependencia


















In [149]:






#Partial Dependence Plots

# Especificar los índices de las características que deseas visualizar
features = list(range(X_train.shape[1]))  # Índices de todas las características en X_train

# Crear Partial Dependence Plots para todas las características
fig, ax = plt.subplots(figsize=(15, 10))
display = PartialDependenceDisplay.from_estimator(etr_tunned, X_train, features, grid_resolution=50, ax=ax)

# Personalizar el gráfico
plt.suptitle('Partial Dependence Plots', fontsize=16)
plt.subplots_adjust(hspace=0.5, top=0.9) # Ajustar para que el título no se superponga
plt.show()
























No description has been provided for this image



















In [153]:






#Inspeccionar resultados basados en variables presentes
def calculate_regression_metrics_modified(y_true, y_pred):
    mse = mean_squared_error(y_true, y_pred)
    print(f"MSE: {mse}")
    return mse

# Definir las variables a probar
variables_to_check = ['Precipitation', 'LST', 'AAI','CloudFraction','TropopausePressure','Year','Day','NO2_trop','NO2_total']  # reemplaza con las variables que quieras probar

# Crear combinaciones de variables para eliminar
combinations = sum([list(itertools.combinations(variables_to_check, i)) for i in range(len(variables_to_check) + 1)], [])

# Inicializar variables para rastrear el mejor rendimiento
best_mse = float("inf")
best_combination = None

# Iterar sobre cada combinación de variables para eliminar
for combination in combinations:
    print(f"Evaluando combinación: {combination}")
    X_with_importance = features_scaled.drop(columns=list(combination))
    
    X_train_imp, X_test_imp, y_train, y_test = train_test_split(X_with_importance, y, test_size=0.2, random_state=32)

    # Inicializo modelo
    etr_with_importance = ExtraTreesRegressor(
    n_estimators=300,
    bootstrap=False,
    max_depth= None, 
    min_samples_leaf=1,
    min_samples_split=5,
    random_state=42).fit(X_train_imp, y_train)

    #Prediccion
    etr_pred = etr_with_importance.predict(X_test_imp)

    # Métricas 
    mse = calculate_regression_metrics_modified(y_test, etr_pred)
    
    # Actualizar la mejor combinación si se encuentra un mejor MSE
    if mse < best_mse:
        best_mse = mse
        best_combination = combination

print(f"\nLa mejor combinación de variables para eliminar es: {best_combination} con un MSE de: {best_mse}")

























Evaluando combinación: ()
MSE: 0.001710798560239363
Evaluando combinación: ('Precipitation',)
MSE: 0.0017163701252516214
Evaluando combinación: ('LST',)
MSE: 0.00169427902656036
Evaluando combinación: ('AAI',)
MSE: 0.0017041602865189621
Evaluando combinación: ('CloudFraction',)
MSE: 0.0016911035290114087
Evaluando combinación: ('TropopausePressure',)
MSE: 0.0017178149567215145
Evaluando combinación: ('Year',)
MSE: 0.00190813277376611
Evaluando combinación: ('Day',)
MSE: 0.001971594774190272
Evaluando combinación: ('NO2_trop',)
MSE: 0.0016713820819565896
Evaluando combinación: ('NO2_total',)
MSE: 0.0016683676796807898
Evaluando combinación: ('Precipitation', 'LST')
MSE: 0.001685760062280268
Evaluando combinación: ('Precipitation', 'AAI')
MSE: 0.001695299830411942
Evaluando combinación: ('Precipitation', 'CloudFraction')
MSE: 0.001673084926773359
Evaluando combinación: ('Precipitation', 'TropopausePressure')
MSE: 0.0017176562993297978
Evaluando combinación: ('Precipitation', 'Year')
MSE: 0.0019961374862667693
Evaluando combinación: ('Precipitation', 'Day')
MSE: 0.001993196825393257
Evaluando combinación: ('Precipitation', 'NO2_trop')
MSE: 0.0016571342476561126
Evaluando combinación: ('Precipitation', 'NO2_total')
MSE: 0.0016594914248873264
Evaluando combinación: ('LST', 'AAI')
MSE: 0.0016798812284715375
Evaluando combinación: ('LST', 'CloudFraction')
MSE: 0.0016686771482349592
Evaluando combinación: ('LST', 'TropopausePressure')
MSE: 0.0017002364912220278
Evaluando combinación: ('LST', 'Year')
MSE: 0.0019070362244934013
Evaluando combinación: ('LST', 'Day')
MSE: 0.0019587917154210896
Evaluando combinación: ('LST', 'NO2_trop')
MSE: 0.0016458519609282626
Evaluando combinación: ('LST', 'NO2_total')
MSE: 0.001646656585443527
Evaluando combinación: ('AAI', 'CloudFraction')
MSE: 0.001668689779031268
Evaluando combinación: ('AAI', 'TropopausePressure')
MSE: 0.0017169255988716626
Evaluando combinación: ('AAI', 'Year')
MSE: 0.0019284406638905743
Evaluando combinación: ('AAI', 'Day')
MSE: 0.0019586454393884538
Evaluando combinación: ('AAI', 'NO2_trop')
MSE: 0.0016478628574041288
Evaluando combinación: ('AAI', 'NO2_total')
MSE: 0.001643350012580823
Evaluando combinación: ('CloudFraction', 'TropopausePressure')
MSE: 0.001689910761842441
Evaluando combinación: ('CloudFraction', 'Year')
MSE: 0.0018960193328693253
Evaluando combinación: ('CloudFraction', 'Day')
MSE: 0.0019466779015680049
Evaluando combinación: ('CloudFraction', 'NO2_trop')
MSE: 0.0016280940502903483
Evaluando combinación: ('CloudFraction', 'NO2_total')
MSE: 0.0016345233529382682
Evaluando combinación: ('TropopausePressure', 'Year')
MSE: 0.0019333510300027356
Evaluando combinación: ('TropopausePressure', 'Day')
MSE: 0.00198585463543082
Evaluando combinación: ('TropopausePressure', 'NO2_trop')
MSE: 0.0016643006532933906
Evaluando combinación: ('TropopausePressure', 'NO2_total')
MSE: 0.0016707098861935728
Evaluando combinación: ('Year', 'Day')
MSE: 0.0021311015749362104
Evaluando combinación: ('Year', 'NO2_trop')
MSE: 0.0018660310018541095
Evaluando combinación: ('Year', 'NO2_total')
MSE: 0.0018627630047927568
Evaluando combinación: ('Day', 'NO2_trop')
MSE: 0.001916802892863608
Evaluando combinación: ('Day', 'NO2_total')
MSE: 0.0019230032923553606
Evaluando combinación: ('NO2_trop', 'NO2_total')
MSE: 0.0014341410921824302
Evaluando combinación: ('Precipitation', 'LST', 'AAI')
MSE: 0.0016774217678798223
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction')
MSE: 0.0016581479996768118
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure')
MSE: 0.0017059279097116954
Evaluando combinación: ('Precipitation', 'LST', 'Year')
MSE: 0.0019908894744881294
Evaluando combinación: ('Precipitation', 'LST', 'Day')
MSE: 0.0019821889195753744
Evaluando combinación: ('Precipitation', 'LST', 'NO2_trop')
MSE: 0.0016335695854424424
Evaluando combinación: ('Precipitation', 'LST', 'NO2_total')
MSE: 0.0016297608734230178
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction')
MSE: 0.0016705356450974942
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure')
MSE: 0.0017108773487211953
Evaluando combinación: ('Precipitation', 'AAI', 'Year')
MSE: 0.002021406271009907
Evaluando combinación: ('Precipitation', 'AAI', 'Day')
MSE: 0.0019882731966712214
Evaluando combinación: ('Precipitation', 'AAI', 'NO2_trop')
MSE: 0.0016563796927678758
Evaluando combinación: ('Precipitation', 'AAI', 'NO2_total')
MSE: 0.001644444127930593
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016905623523868162
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year')
MSE: 0.0019857274261843682
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Day')
MSE: 0.001981892041471411
Evaluando combinación: ('Precipitation', 'CloudFraction', 'NO2_trop')
MSE: 0.0016320200199688925
Evaluando combinación: ('Precipitation', 'CloudFraction', 'NO2_total')
MSE: 0.0016335472104635528
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year')
MSE: 0.002016326837066345
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Day')
MSE: 0.0020169982570954234
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016671037050509214
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'NO2_total')
MSE: 0.0016619306876630635
Evaluando combinación: ('Precipitation', 'Year', 'Day')
MSE: 0.002155501810840399
Evaluando combinación: ('Precipitation', 'Year', 'NO2_trop')
MSE: 0.0019525121948156905
Evaluando combinación: ('Precipitation', 'Year', 'NO2_total')
MSE: 0.0019494787185557125
Evaluando combinación: ('Precipitation', 'Day', 'NO2_trop')
MSE: 0.0019557733007746422
Evaluando combinación: ('Precipitation', 'Day', 'NO2_total')
MSE: 0.0019508659626061738
Evaluando combinación: ('Precipitation', 'NO2_trop', 'NO2_total')
MSE: 0.0014340852419803386
Evaluando combinación: ('LST', 'AAI', 'CloudFraction')
MSE: 0.001658701251828903
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure')
MSE: 0.0016987358239965963
Evaluando combinación: ('LST', 'AAI', 'Year')
MSE: 0.0019236970567830679
Evaluando combinación: ('LST', 'AAI', 'Day')
MSE: 0.0019559941768381777
Evaluando combinación: ('LST', 'AAI', 'NO2_trop')
MSE: 0.0016303244357181326
Evaluando combinación: ('LST', 'AAI', 'NO2_total')
MSE: 0.0016302054425095657
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016850523248107445
Evaluando combinación: ('LST', 'CloudFraction', 'Year')
MSE: 0.0019015371089188698
Evaluando combinación: ('LST', 'CloudFraction', 'Day')
MSE: 0.0019484914861555422
Evaluando combinación: ('LST', 'CloudFraction', 'NO2_trop')
MSE: 0.0016172201284389291
Evaluando combinación: ('LST', 'CloudFraction', 'NO2_total')
MSE: 0.0016192668529077013
Evaluando combinación: ('LST', 'TropopausePressure', 'Year')
MSE: 0.0019319083708758478
Evaluando combinación: ('LST', 'TropopausePressure', 'Day')
MSE: 0.0019902229773614078
Evaluando combinación: ('LST', 'TropopausePressure', 'NO2_trop')
MSE: 0.001649289693836734
Evaluando combinación: ('LST', 'TropopausePressure', 'NO2_total')
MSE: 0.0016513681016709144
Evaluando combinación: ('LST', 'Year', 'Day')
MSE: 0.0021309915059046255
Evaluando combinación: ('LST', 'Year', 'NO2_trop')
MSE: 0.0018508819471542237
Evaluando combinación: ('LST', 'Year', 'NO2_total')
MSE: 0.0018527322084994087
Evaluando combinación: ('LST', 'Day', 'NO2_trop')
MSE: 0.00190877300977146
Evaluando combinación: ('LST', 'Day', 'NO2_total')
MSE: 0.0019054647305834255
Evaluando combinación: ('LST', 'NO2_trop', 'NO2_total')
MSE: 0.0014164049986496213
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016791803546092393
Evaluando combinación: ('AAI', 'CloudFraction', 'Year')
MSE: 0.0019216091570257237
Evaluando combinación: ('AAI', 'CloudFraction', 'Day')
MSE: 0.0019468641062081657
Evaluando combinación: ('AAI', 'CloudFraction', 'NO2_trop')
MSE: 0.0016280720320465852
Evaluando combinación: ('AAI', 'CloudFraction', 'NO2_total')
MSE: 0.0016208334473780666
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year')
MSE: 0.001959308343377483
Evaluando combinación: ('AAI', 'TropopausePressure', 'Day')
MSE: 0.0019889104627444135
Evaluando combinación: ('AAI', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016592627499550483
Evaluando combinación: ('AAI', 'TropopausePressure', 'NO2_total')
MSE: 0.0016565919573053455
Evaluando combinación: ('AAI', 'Year', 'Day')
MSE: 0.0021567255661271347
Evaluando combinación: ('AAI', 'Year', 'NO2_trop')
MSE: 0.001880412944529625
Evaluando combinación: ('AAI', 'Year', 'NO2_total')
MSE: 0.0018807162017466027
Evaluando combinación: ('AAI', 'Day', 'NO2_trop')
MSE: 0.0019144059008066145
Evaluando combinación: ('AAI', 'Day', 'NO2_total')
MSE: 0.0019113311018306388
Evaluando combinación: ('AAI', 'NO2_trop', 'NO2_total')
MSE: 0.0014269744359608051
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.001928968429791531
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.0019750925597601266
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.001644625038015871
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016417552078280813
Evaluando combinación: ('CloudFraction', 'Year', 'Day')
MSE: 0.0021331228678018125
Evaluando combinación: ('CloudFraction', 'Year', 'NO2_trop')
MSE: 0.0018555449850407844
Evaluando combinación: ('CloudFraction', 'Year', 'NO2_total')
MSE: 0.0018552749764311639
Evaluando combinación: ('CloudFraction', 'Day', 'NO2_trop')
MSE: 0.001907397659895152
Evaluando combinación: ('CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019072666928727816
Evaluando combinación: ('CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.00142839654586229
Evaluando combinación: ('TropopausePressure', 'Year', 'Day')
MSE: 0.0021665151302875728
Evaluando combinación: ('TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0018787437925716494
Evaluando combinación: ('TropopausePressure', 'Year', 'NO2_total')
MSE: 0.00188587153580073
Evaluando combinación: ('TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019467845792231664
Evaluando combinación: ('TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019349650953094262
Evaluando combinación: ('TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014833058072294047
Evaluando combinación: ('Year', 'Day', 'NO2_trop')
MSE: 0.002088403840083471
Evaluando combinación: ('Year', 'Day', 'NO2_total')
MSE: 0.0020857234585374093
Evaluando combinación: ('Year', 'NO2_trop', 'NO2_total')
MSE: 0.001746402668921263
Evaluando combinación: ('Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018187464763950874
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction')
MSE: 0.0016578581565275525
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure')
MSE: 0.001699072392393779
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year')
MSE: 0.0020098554195216133
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Day')
MSE: 0.0019869534644312127
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'NO2_trop')
MSE: 0.0016262566251973585
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'NO2_total')
MSE: 0.0016259227615059379
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016885298238608379
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year')
MSE: 0.0019902250902983165
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Day')
MSE: 0.0019810763393822393
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'NO2_trop')
MSE: 0.0016103439393293324
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'NO2_total')
MSE: 0.0016151445998312326
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year')
MSE: 0.0020153191732156534
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Day')
MSE: 0.0020210840526656785
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016493777682153204
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'NO2_total')
MSE: 0.0016530775689933852
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'Day')
MSE: 0.0021562651549780487
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'NO2_trop')
MSE: 0.001944065625555352
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'NO2_total')
MSE: 0.0019375218837193661
Evaluando combinación: ('Precipitation', 'LST', 'Day', 'NO2_trop')
MSE: 0.001938585238351406
Evaluando combinación: ('Precipitation', 'LST', 'Day', 'NO2_total')
MSE: 0.001932395516878413
Evaluando combinación: ('Precipitation', 'LST', 'NO2_trop', 'NO2_total')
MSE: 0.0014025207196999164
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016825493488793939
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year')
MSE: 0.0020096442879794945
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Day')
MSE: 0.0019816586216283762
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'NO2_trop')
MSE: 0.001619902388194587
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'NO2_total')
MSE: 0.001616850602120737
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year')
MSE: 0.002044745782263613
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Day')
MSE: 0.0020260294195784266
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016614645396623307
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'NO2_total')
MSE: 0.0016563775532497636
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'Day')
MSE: 0.0021843926631814874
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'NO2_trop')
MSE: 0.001967976946836933
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'NO2_total')
MSE: 0.0019678250161989028
Evaluando combinación: ('Precipitation', 'AAI', 'Day', 'NO2_trop')
MSE: 0.0019427711119303032
Evaluando combinación: ('Precipitation', 'AAI', 'Day', 'NO2_total')
MSE: 0.0019393705618200813
Evaluando combinación: ('Precipitation', 'AAI', 'NO2_trop', 'NO2_total')
MSE: 0.0014201093892571494
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.0020177691122563717
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.002014008042878393
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016410493960488715
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016453947714918653
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'Day')
MSE: 0.0021652617565822343
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.0019444554358379012
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.0019430278898474806
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.00193574081307976
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019340092209191287
Evaluando combinación: ('Precipitation', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.0014256320244470386
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'Day')
MSE: 0.002193715072952866
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.001975973463342417
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0019718407642342964
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019647543933396473
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019753712103784864
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014767057709128783
Evaluando combinación: ('Precipitation', 'Year', 'Day', 'NO2_trop')
MSE: 0.002116576268010374
Evaluando combinación: ('Precipitation', 'Year', 'Day', 'NO2_total')
MSE: 0.002113338971888095
Evaluando combinación: ('Precipitation', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018363164204041492
Evaluando combinación: ('Precipitation', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.001857197598367141
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure')
MSE: 0.001677911877410428
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year')
MSE: 0.0019279932706548234
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Day')
MSE: 0.0019611522820538758
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'NO2_trop')
MSE: 0.001608226839957349
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'NO2_total')
MSE: 0.0016032080845592284
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year')
MSE: 0.0019666398045482592
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Day')
MSE: 0.0019977532627918596
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016473177668914762
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'NO2_total')
MSE: 0.0016279517464306789
Evaluando combinación: ('LST', 'AAI', 'Year', 'Day')
MSE: 0.0021666755757616995
Evaluando combinación: ('LST', 'AAI', 'Year', 'NO2_trop')
MSE: 0.0018702367899247898
Evaluando combinación: ('LST', 'AAI', 'Year', 'NO2_total')
MSE: 0.0018724246516043732
Evaluando combinación: ('LST', 'AAI', 'Day', 'NO2_trop')
MSE: 0.0019099061172959044
Evaluando combinación: ('LST', 'AAI', 'Day', 'NO2_total')
MSE: 0.0018908315541525688
Evaluando combinación: ('LST', 'AAI', 'NO2_trop', 'NO2_total')
MSE: 0.0014026510254765727
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.0019635905760817043
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.0020047490657225343
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016227140653869475
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016322614694910232
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'Day')
MSE: 0.002163590236685033
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.001853772145629453
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.00185369620839419
Evaluando combinación: ('LST', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0019041156134551452
Evaluando combinación: ('LST', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019054100424904252
Evaluando combinación: ('LST', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.0014214346449482433
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0021785010606895725
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0018835985545464983
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0018809921285779824
Evaluando combinación: ('LST', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019439722389545464
Evaluando combinación: ('LST', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.001937198859843296
Evaluando combinación: ('LST', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014618248418168797
Evaluando combinación: ('LST', 'Year', 'Day', 'NO2_trop')
MSE: 0.0020822531945213336
Evaluando combinación: ('LST', 'Year', 'Day', 'NO2_total')
MSE: 0.0020835271709134574
Evaluando combinación: ('LST', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0017383996659046073
Evaluando combinación: ('LST', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018443617468154945
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.0019661771090957346
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.001997741795917948
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016283457442262399
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016305776166651471
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'Day')
MSE: 0.002185015508242003
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.0018705400048618726
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.0018724944214110974
Evaluando combinación: ('AAI', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0018980320289980958
Evaluando combinación: ('AAI', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0018984845743017001
Evaluando combinación: ('AAI', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.001416083000279208
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022179603785548977
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019149530902474042
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0019159878928611024
Evaluando combinación: ('AAI', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019411567053825086
Evaluando combinación: ('AAI', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019331074602075293
Evaluando combinación: ('AAI', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.001486504235808222
Evaluando combinación: ('AAI', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021213660941292348
Evaluando combinación: ('AAI', 'Year', 'Day', 'NO2_total')
MSE: 0.0021161933653106235
Evaluando combinación: ('AAI', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0017896833037798785
Evaluando combinación: ('AAI', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018415930926167692
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0021929703541320312
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0018819795122906474
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0018882146571345176
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019340021553984734
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019351696090219232
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014819689141620455
Evaluando combinación: ('CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.0020962602349888534
Evaluando combinación: ('CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.0020989626560005974
Evaluando combinación: ('CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0017493037903224405
Evaluando combinación: ('CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018558101640476833
Evaluando combinación: ('TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021260983729956408
Evaluando combinación: ('TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002122787161231858
Evaluando combinación: ('TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001879893712961147
Evaluando combinación: ('TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.001958008206961842
Evaluando combinación: ('Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002144301111206815
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure')
MSE: 0.0016853803131804336
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year')
MSE: 0.002021498892219962
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Day')
MSE: 0.0020028627605601667
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'NO2_trop')
MSE: 0.0016002312635334034
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'NO2_total')
MSE: 0.0016012795046756495
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year')
MSE: 0.002059636550157889
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Day')
MSE: 0.002037860605879122
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016340075493791516
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'NO2_total')
MSE: 0.0016328996356652274
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'Day')
MSE: 0.0022040111938300194
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'NO2_trop')
MSE: 0.001959487803096992
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'NO2_total')
MSE: 0.001961872674129234
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Day', 'NO2_trop')
MSE: 0.0019336921163849966
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Day', 'NO2_total')
MSE: 0.0019282448591743289
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'NO2_trop', 'NO2_total')
MSE: 0.0013923663945746177
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.002053159610039536
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.002058870136119041
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.001626456838617161
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016392166432975235
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'Day')
MSE: 0.002188555355724715
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.0019375627885662367
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.0019470393398948749
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0019382618870241878
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.001940023744735716
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.001418066342700955
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022134516532029483
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019715814388360595
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.001968779008235627
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.001975711777957038
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019683876690524335
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014552608931472056
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'Day', 'NO2_trop')
MSE: 0.002114330443768081
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'Day', 'NO2_total')
MSE: 0.002111396061045338
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018330043120487031
Evaluando combinación: ('Precipitation', 'LST', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018798866580494544
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.0020570785470429044
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.0020396218948495063
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.001627739791144661
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016241691749959814
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'Day')
MSE: 0.0022141799468202387
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.001965652749551323
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.0019644421926815142
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0019410541891097214
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019296014486542788
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.0014123711334936512
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'Day')
MSE: 0.002249912451266552
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.002003246737601967
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.002001738399961375
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019787375905036086
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019732341768026796
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014712267612481224
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021503568932251553
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'Day', 'NO2_total')
MSE: 0.002150817880394033
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018804536810445812
Evaluando combinación: ('Precipitation', 'AAI', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018791152141058207
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.002224173802816036
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019719581568148855
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0019759761804930254
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.001969546272284074
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019749686880118564
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.001474215051550131
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021244720966502413
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.0021272859062289057
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018365342781343941
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.00189463626111022
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021518603470968164
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0021526069053017733
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.00197783896236574
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020016308652248383
Evaluando combinación: ('Precipitation', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0021831873302767995
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.0020162288011261946
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.002046707028878472
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.001619978200629857
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016319276498883888
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'Day')
MSE: 0.0022317820097519773
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.001878000576048871
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.0018794871172044872
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0019183829251737373
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019099411152204591
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.0014116170495337562
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022522464488616382
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019206226918112798
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0019157305553981422
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019515472755116474
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019459457788259364
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014566196965922736
Evaluando combinación: ('LST', 'AAI', 'Year', 'Day', 'NO2_trop')
MSE: 0.002134326675267437
Evaluando combinación: ('LST', 'AAI', 'Year', 'Day', 'NO2_total')
MSE: 0.002129484776677291
Evaluando combinación: ('LST', 'AAI', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0017956621524994143
Evaluando combinación: ('LST', 'AAI', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0018896155196842755
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022611195548236
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019108030466377535
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0019133162947726032
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019575841399392855
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019696697991575746
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014866346985388935
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021277024359627975
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.0021286458773616557
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0017644949701634345
Evaluando combinación: ('LST', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0019169823491365114
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021391407081467733
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0021408026440085767
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001904833455433891
Evaluando combinación: ('LST', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020404144048790283
Evaluando combinación: ('LST', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002193819370973131
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022728979996925777
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019264157724035056
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.001921413408335566
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019511762795189124
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019438366989802266
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014773754575203519
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021491793695021387
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.002143909072592056
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018041027687276266
Evaluando combinación: ('AAI', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0019105304268829408
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002185052804937371
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002180713107636898
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001986167326327343
Evaluando combinación: ('AAI', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020507697983858
Evaluando combinación: ('AAI', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022781284834632147
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021604096553529194
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0021552952799309922
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001906182598998839
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002059747671143158
Evaluando combinación: ('CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022182027929012562
Evaluando combinación: ('TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002339847237661802
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year')
MSE: 0.002117224335513537
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day')
MSE: 0.002105903069704193
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop')
MSE: 0.0016335581910761894
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_total')
MSE: 0.0016348134129215734
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'Day')
MSE: 0.0022640997810811432
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'NO2_trop')
MSE: 0.001971516533357253
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'NO2_total')
MSE: 0.001977892634151015
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Day', 'NO2_trop')
MSE: 0.0019579062983247023
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Day', 'NO2_total')
MSE: 0.0019571545105102426
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'NO2_trop', 'NO2_total')
MSE: 0.001412698430558258
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0022906237437942787
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.00201274912052411
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0020105792936895425
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019846065570595264
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.001985902549945493
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.001458053981958851
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021633391997144674
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'Day', 'NO2_total')
MSE: 0.0021616544477930624
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001890496179491313
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0019362189753220006
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.002298274089917017
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0020056156637633903
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0020086366118839544
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.002011554514495829
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0020217471690213364
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014809267253999316
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.002150949724163053
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.0021526401207856843
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001848907730877463
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.001959523081919085
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0021714301365511777
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0021664258457373725
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0020020597484748724
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020759675815981778
Evaluando combinación: ('Precipitation', 'LST', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022159052907270425
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0023059743182582667
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.002021676023648352
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.00201807519419177
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.0019992900343097997
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.0019917939520082886
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014741744838877202
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.002179573582678365
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.00217704603998694
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0018982867927034616
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0019411434063225888
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002211636583192266
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0022112549752781444
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002079560879785456
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020855947979011246
Evaluando combinación: ('Precipitation', 'AAI', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0023127612072235864
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002183787363558315
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002187834203122528
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002002680508790575
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020985230038860023
Evaluando combinación: ('Precipitation', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022503082692208374
Evaluando combinación: ('Precipitation', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.00238915655041056
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0023881102303762707
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.0019716460724805776
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.001976208684201279
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.002013953552769983
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.002016256371282118
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.0014908453432382924
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.002203508118198926
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.002201700987127988
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.00183196327731813
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020236453515656686
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002220625384748205
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002217466369548641
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0020348169616824113
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0021825674564278155
Evaluando combinación: ('LST', 'AAI', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002356938875048201
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002233497884145978
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0022311436756772248
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0019689215002584633
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002232326837309073
Evaluando combinación: ('LST', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0023080678102797097
Evaluando combinación: ('LST', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0024466258432733904
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002242509850070494
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002241381125865979
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.0020306593814871645
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0021961437841416173
Evaluando combinación: ('AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0023826797001407756
Evaluando combinación: ('AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0025590852031784185
Evaluando combinación: ('CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0024669521017142717
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day')
MSE: 0.0024367465681406145
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop')
MSE: 0.002069353591770586
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_total')
MSE: 0.0020719067412828317
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop')
MSE: 0.002080072019503603
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_total')
MSE: 0.00208017193519307
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'NO2_trop', 'NO2_total')
MSE: 0.00147419321977727
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop')
MSE: 0.0022362259116024616
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_total')
MSE: 0.002234176571080905
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.001923973806193177
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0020683015992637253
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0022545872228942844
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002253789422039042
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002142769218002436
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022538404860816823
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0024039981157031915
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002270621924056577
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.0022687585220735815
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002073937595160491
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002306983772227278
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002356247175951993
Evaluando combinación: ('Precipitation', 'LST', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002502946522924247
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.002286492925762692
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002278156322327502
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002136863418465164
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0022552620805164573
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0024439001851376033
Evaluando combinación: ('Precipitation', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0026269345691097875
Evaluando combinación: ('Precipitation', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002543283761382305
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0023772773015142273
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002374884263852571
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002177814901451094
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0025163905167558988
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0025407123091493633
Evaluando combinación: ('LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002781047005689303
Evaluando combinación: ('LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0027176963262534174
Evaluando combinación: ('AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0027697985386358876
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop')
MSE: 0.0024333244657409755
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_total')
MSE: 0.002431772724885648
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'NO2_trop', 'NO2_total')
MSE: 0.002309150448477745
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0026041723556547913
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0026083514673370814
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0028608694717270106
Evaluando combinación: ('Precipitation', 'LST', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.00280046947328403
Evaluando combinación: ('Precipitation', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.002856590045553493
Evaluando combinación: ('LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.0031734825325172755
Evaluando combinación: ('Precipitation', 'LST', 'AAI', 'CloudFraction', 'TropopausePressure', 'Year', 'Day', 'NO2_trop', 'NO2_total')
MSE: 0.003274648935294668

La mejor combinación de variables para eliminar es: ('Precipitation', 'LST', 'AAI', 'NO2_trop', 'NO2_total') con un MSE de: 0.0013923663945746177

























6.4.1 Drop Variables no importantes¶
Eliminar variables no importantes para reducir la dimensionalidad y mejorar la eficiencia del modelo. Obtengo un modelo mas sencillo


















In [392]:






#Drop variables que parece no tener importancia
X_with_imp = train_numericoutliers.drop(columns=['Precipitation', 'LST', 'AAI', 'NO2_trop', 'NO2_total','CloudFraction','GT_NO2'])





















In [393]:






#Normalizar data y target separados
X = X_with_imp
y = train_numeric['GT_NO2']

# Normalizar toda la data para un mejor manejo.
scaler_imp_x= MinMaxScaler()
scaler_imp_y=MinMaxScaler()

#Normalizar features
X_scaled_imp = scaler_imp_x.fit_transform(X)

#Normalizar target
y_scaled_imp = scaler_imp_y.fit_transform(y.values.reshape(-1, 1))

# Fit and transform on the selected features
# Convert scaled data back to DataFrame
features_scaled_imp= pd.DataFrame(X_scaled_imp, columns=X.columns)

target_scaled_imp=pd.DataFrame(y_scaled_imp,columns=['GT_NO2'])





















In [394]:






X_imp = features_scaled_imp
y_imp = target_scaled_imp

# Divido en training y test con nuevas X, y mantiene igual 
X_train_imp, X_test_imp, y_train, y_test = train_test_split (X_imp, 
                                                     y_imp,
                                                     test_size = 0.2,
                                                     random_state = 32)





















In [395]:






#Pruebo modelo con variables que muestran importancia

# Inicializar modelo
etr_model_importance = ExtraTreesRegressor(
    n_estimators=300,
    bootstrap=False,
    max_depth= None, 
    min_samples_leaf=1,
    min_samples_split=5,
    random_state=42).fit(X_train_imp, y_train)

# Realizar validación cruzada
cv = KFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(etr_model_importance, X_train, y_train, cv=cv, scoring='neg_mean_squared_error')

# Convertir las puntuaciones de MSE negativo a MSE positivo y luego a RMSE
cv_rmse_scores = np.sqrt(-cv_scores)
print(f"Puntuaciones de RMSE en Validación Cruzada (normalizado): {cv_rmse_scores}")
print(f"RMSE Promedio (Normalizado): {cv_rmse_scores.mean()}")

# Ajustar el modelo en todo el conjunto de datos de entrenamiento después de la validación cruzada
etr_model_importance.fit(X_train_imp, y_train)

# Realizar predicciones en el conjunto de prueba
etr_pred_imp= etr_model_importance.predict(X_test_imp)

# Invertir la normalización de las predicciones
etr_pred_imp = scaler_imp_y.inverse_transform(etr_pred_imp.reshape(-1, 1))

# Invertir la normalización de los valores verdaderos del conjunto de prueba
y_test_original = scaler_imp_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred_imp)

























Puntuaciones de RMSE en Validación Cruzada (normalizado): [0.0414163  0.04207507 0.04220994 0.04123511 0.04149749]
RMSE Promedio (Normalizado): 0.041686783478756775
- Mean Absolute Error (MAE): 5.009506538469307
- Mean Squared Error (MSE): 50.05443096781214
- Root Mean Squared Error (RMSE): 7.0749156155965665
- R-squared (R²): 0.8320002668261246

























6.5 Mejorar modelo con Bagging¶
Bagging mejora la precisión y la robustez del modelo al reducir la varianza, con la combinación de predicciones de varios modelos entrenados en subconjuntos aleatorios del dataset original, disminuye el riesgo de overfitting.


















In [274]:






base_model = ExtraTreesRegressor(n_estimators=100, random_state=42)





















In [275]:






bagging_model = BaggingRegressor(base_model, 
                                 n_estimators=10, # Number of base models
                                 random_state=42,
                                 n_jobs=-1) 





















In [276]:






# Train the model
bagging_model.fit(X_train_imp, y_train)

# Make predictions
y_pred = bagging_model.predict(X_test_imp)





















In [277]:






# Invertir la normalización de las predicciones para devolverlas a la escala original
y_pred = scaler_imp_y.inverse_transform(y_pred.reshape(-1, 1))

# Remodelar y_test a 2D antes de invertir la normalización
y_test_original = scaler_imp_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, y_pred)

























- Mean Absolute Error (MAE): 5.101125726183343
- Mean Squared Error (MSE): 51.95073714391051
- Root Mean Squared Error (RMSE): 7.207685977060218
- R-squared (R²): 0.8256356168752469

























El método de bagging no mejoró el modelo.¶






















6.6 Intento modelo sin corrección de outliers¶


















In [138]:






#Normalizar data y target separados
X = train_numeric.drop('GT_NO2', axis=1)
y = train_numeric['GT_NO2']

# Normalizar toda la data para un mejor manejo.
scaler_out_x= MinMaxScaler()
scaler_out_y=MinMaxScaler()

#Normalizar features
X_scaled_out = scaler_out_x.fit_transform(X)

#Normalizar target
y_scaled_out = scaler_out_y.fit_transform(y.values.reshape(-1, 1))

# Fit and transform on the selected features
# Convert scaled data back to DataFrame
features_scaled_sinoutlier= pd.DataFrame(X_scaled_out, columns=X.columns)
target_scaled_sinoutlier=pd.DataFrame(y_scaled_out,columns=['GT_NO2'])





















In [139]:






X_out = features_scaled_sinoutlier
y_out = target_scaled_sinoutlier

# Divido en training y test con nuevas X, y mantiene igual 
X_train_out, X_test_out, y_train, y_test = train_test_split (X_out, 
                                                     y_out,
                                                     test_size = 0.2,
                                                     random_state = 32)





















In [55]:






#Set up PyCaret
model_setup = setup(data=X_out, target=y_out)

#Entrenar modelos
best_model = compare_models()






























 
Description
Value






0
Session id
8947




1
Target
Day




2
Target type
Regression




3
Original data shape
(82049, 14)




4
Transformed data shape
(82049, 14)




5
Transformed train set shape
(57434, 14)




6
Transformed test set shape
(24615, 14)




7
Numeric features
13




8
Preprocess
True




9
Imputation type
simple




10
Numeric imputation
mean




11
Categorical imputation
mode




12
Fold Generator
KFold




13
Fold Number
10




14
CPU Jobs
-1




15
Use GPU
False




16
Log Experiment
False




17
Experiment Name
reg-default-name




18
USI
b900































 
Model
MAE
MSE
RMSE
R2
RMSLE
MAPE
TT (Sec)






et
Extra Trees Regressor
0.0785
0.0187
0.1369
0.7817
0.0960
0.3682
1.5660




rf
Random Forest Regressor
0.0946
0.0220
0.1482
0.7443
0.1039
0.4532
6.4990




xgboost
Extreme Gradient Boosting
0.1450
0.0360
0.1898
0.5804
0.1328
0.6895
0.1090




dt
Decision Tree Regressor
0.1017
0.0476
0.2181
0.4461
0.1516
0.4324
0.1460




lightgbm
Light Gradient Boosting Machine
0.1804
0.0484
0.2200
0.4361
0.1541
0.9073
0.2860




knn
K Neighbors Regressor
0.1614
0.0492
0.2219
0.4266
0.1543
0.7697
0.0830




gbr
Gradient Boosting Regressor
0.2326
0.0740
0.2721
0.1379
0.1890
1.1937
2.3500




ada
AdaBoost Regressor
0.2501
0.0837
0.2893
0.0253
0.2006
1.2827
0.2760




br
Bayesian Ridge
0.2526
0.0854
0.2922
0.0060
0.2025
1.2960
0.0160




ridge
Ridge Regression
0.2526
0.0854
0.2922
0.0060
0.2025
1.2955
0.0170




lr
Linear Regression
0.2526
0.0854
0.2922
0.0060
0.2025
1.2955
0.0230




huber
Huber Regressor
0.2525
0.0854
0.2923
0.0053
0.2025
1.2907
0.1730




lar
Least Angle Regression
0.2528
0.0855
0.2924
0.0045
0.2026
1.2954
0.0180




omp
Orthogonal Matching Pursuit
0.2534
0.0858
0.2930
0.0007
0.2031
1.3089
0.0160




lasso
Lasso Regression
0.2537
0.0859
0.2931
-0.0000
0.2032
1.3102
0.0200




en
Elastic Net
0.2537
0.0859
0.2931
-0.0000
0.2032
1.3102
0.0150




llar
Lasso Least Angle Regression
0.2537
0.0859
0.2931
-0.0000
0.2032
1.3102
0.0150




dummy
Dummy Regressor
0.2537
0.0859
0.2931
-0.0000
0.2032
1.3102
0.0150




par
Passive Aggressive Regressor
0.3738
0.2108
0.4408
-1.4440
0.2870
1.2978
0.0230






































6.6.1 Tunning de hiperparametros¶


















In [140]:






# Definir el modelo
etr = ExtraTreesRegressor(random_state=42)

# Definir los hyperparametros
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
    'bootstrap': [True, False]
}

# GridSearchCV
grid_search = GridSearchCV(estimator=etr, param_grid=param_grid, cv=5, n_jobs=-1, scoring='neg_mean_squared_error')

# Reshape y_train, y_test de ser necesario
y_train = np.ravel(y_train)
y_test = np.ravel(y_test)

# Fit GridSearchCV
grid_search.fit(X_train_out, y_train)

# Print mejores parametros y scroe
print(f"Best Parameters: {grid_search.best_params_}")
print(f"Best Score: {-grid_search.best_score_}")

























Best Parameters: {'bootstrap': False, 'max_depth': 30, 'min_samples_leaf': 1, 'min_samples_split': 5, 'n_estimators': 300}
Best Score: 0.0016674871374936114





















In [143]:






#Pruebo modelo
# Inicializar modelo
etr_model_outliers = ExtraTreesRegressor(
    n_estimators=300,
    bootstrap=False,
    max_depth= 30, 
    min_samples_leaf=1,
    min_samples_split=5,
    random_state=42).fit(X_train_out, y_train)

# Realizar validación cruzada
cv = KFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(etr_model_outliers, X_train_out, y_train, cv=cv, scoring='neg_mean_squared_error')

# Convertir las puntuaciones de MSE negativo a MSE positivo y luego a RMSE
cv_rmse_scores = np.sqrt(-cv_scores)
print(f"Puntuaciones de RMSE en Validación Cruzada (normalizado): {cv_rmse_scores}")
print(f"RMSE Promedio (Normalizado): {cv_rmse_scores.mean()}")

# Ajustar el modelo en todo el conjunto de datos de entrenamiento después de la validación cruzada
etr_model_outliers.fit(X_train_out, y_train)

# Realizar predicciones en el conjunto de prueba
etr_pred_out= etr_model_outliers.predict(X_test_out)

# Invertir la normalización de las predicciones
etr_pred_out = scaler_out_y.inverse_transform(etr_pred_out.reshape(-1, 1))

# Invertir la normalización de los valores verdaderos del conjunto de prueba
y_test_original = scaler_out_y.inverse_transform(y_test.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred_out)

























Puntuaciones de RMSE en Validación Cruzada (normalizado): [0.04047413 0.04126437 0.04146651 0.04034064 0.04050344]
RMSE Promedio (Normalizado): 0.04080981616631439
- Mean Absolute Error (MAE): 5.358193108115963
- Mean Squared Error (MSE): 57.76301436303403
- Root Mean Squared Error (RMSE): 7.600198310770189
- R-squared (R²): 0.8061276332049647

























6.6.2 Selecionar variables importantes¶


















In [22]:






# Obtener importancia
importances = etr_model_outliers.feature_importances_

# Crear DataFrame para visualizacion
import pandas as pd
importances_df = pd.DataFrame({
    'Feature': X_train_out.columns,
    'Importance': importances
}).sort_values(by='Importance', ascending=False)

# Print importancia
print(importances_df)

# Plot
plt.figure(figsize=(10, 6))
plt.barh(importances_df['Feature'], importances_df['Importance'], color='skyblue')
plt.xlabel('Importance')
plt.title('Feature Importance from Extra Trees Regressor Model')
plt.gca().invert_yaxis()  
plt.show()

























               Feature  Importance
11               Month    0.180110
8             NO2_trop    0.144976
0                  LAT    0.122818
6            NO2_strat    0.122488
7            NO2_total    0.113375
1                  LON    0.094282
3                  LST    0.050437
12                 Day    0.045819
10                Year    0.033810
5        CloudFraction    0.029174
9   TropopausePressure    0.022374
4                  AAI    0.020861
2        Precipitation    0.019475












No description has been provided for this image



















In [23]:






#Partial Dependence Plots

# Especificar los índices de las características que deseas visualizar
features = list(range(X_train_out.shape[1]))  # Índices de todas las características en X_train

# Crear Partial Dependence Plots para todas las características
fig, ax = plt.subplots(figsize=(15, 10))
display = PartialDependenceDisplay.from_estimator(etr_model_outliers, X_train_out, features, grid_resolution=50, ax=ax)

# Personalizar el gráfico
plt.suptitle('Partial Dependence Plots', fontsize=16)
plt.subplots_adjust(hspace=0.5, top=0.9) # Ajustar para que el título no se superponga
plt.show()
























No description has been provided for this image



















In [146]:






#Drop variables que parece no tener importancia
X_out_imp = X_out.drop(columns=['Precipitation', 'LST', 'AAI', 'NO2_trop', 'NO2_total','CloudFraction'])





















In [147]:






# Divido en training y test con nuevas X, y mantiene igual 
X_train_out, X_test_out, y_train, y_test = train_test_split (X_out_imp, 
                                                     y_out,
                                                     test_size = 0.2,
                                                     random_state = 32)





















In [149]:






#Pruebo modelo
# Inicializar modelo
etr_model_outliers = ExtraTreesRegressor(
    n_estimators=300,
    bootstrap=False,
    max_depth= 30, 
    min_samples_leaf=1,
    min_samples_split=5,
    random_state=42).fit(X_train_out, y_train)

# Realizar validación cruzada
cv = KFold(n_splits=5, shuffle=True, random_state=42)
cv_scores = cross_val_score(etr_model_outliers, X_train_out, y_train, cv=cv, scoring='neg_mean_squared_error')

# Convertir las puntuaciones de MSE negativo a MSE positivo y luego a RMSE
cv_rmse_scores = np.sqrt(-cv_scores)
print(f"Puntuaciones de RMSE en Validación Cruzada (normalizado): {cv_rmse_scores}")
print(f"RMSE Promedio (Normalizado): {cv_rmse_scores.mean()}")

# Ajustar el modelo en todo el conjunto de datos de entrenamiento después de la validación cruzada
etr_model_outliers.fit(X_train_out, y_train)

# Realizar predicciones en el conjunto de prueba
etr_pred_out= etr_model_outliers.predict(X_test_out)

# Invertir la normalización de las predicciones
etr_pred_out = scaler_out_y.inverse_transform(etr_pred_out.reshape(-1, 1))

# Invertir la normalización de los valores verdaderos del conjunto de prueba
y_test_original = scaler_out_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular las métricas de regresión en la escala original
calculate_regression_metrics(y_test_original, etr_pred_out)

























Puntuaciones de RMSE en Validación Cruzada (normalizado): [0.03800033 0.03874696 0.03858784 0.03819873 0.03842396]
RMSE Promedio (Normalizado): 0.038391562521174
- Mean Absolute Error (MAE): 4.988491488224833
- Mean Squared Error (MSE): 49.696325881904265
- Root Mean Squared Error (RMSE): 7.049562105684598
- R-squared (R²): 0.8332021895673785

























Modelo sin corrección de outliers tiene mejor rendimiento. Modelos tree based tienen menos afectación por outiers¶






















6.7 Neural Network¶
Intento con modelos de redes neuronales para ver si sus resultados superan los de los modelos evaluados anteriormente


















In [324]:






# Función para construir el modelo utilizando hiperparámetros fijos
def build_model(hp):
    model = Sequential()
    
    # Extraer los hiperparámetros
    units = hp.get('units')  # Número de unidades en cada capa oculta
    dropout = hp.get('dropout')  # Tasa de abandono (dropout) para la regularización
    num_layers = hp.get('num_layers')  # Número de capas ocultas
    
    # Capa de entrada
    model.add(Dense(units=units, activation='relu', input_shape=(X_train.shape[1],)))
    model.add(Dropout(dropout))
    
    # Capas ocultas
    for i in range(num_layers):
        model.add(Dense(units=units, activation='relu'))
        model.add(Dropout(dropout))
    
    # Capa de salida para regresión
    model.add(Dense(1, activation='linear'))
    
    # Compilar el modelo con la mejor tasa de aprendizaje encontrada
    learning_rate = hp.get('learning_rate')
    model.compile(optimizer=Adam(learning_rate=learning_rate), loss='mse', metrics=['mae'])
    
    return model


# Configurar Keras Tuner para buscar los mejores hiperparámetros
tuner = Hyperband(
    build_model,
    objective='val_loss',  
    max_epochs=30,  
    factor=3,  
    directory='my_dir', 
    project_name='my_project' 
)

























Reloading Tuner from my_dir/my_project/tuner0.json





















In [325]:






# Callback para detener el entrenamiento de manera anticipada si no hay mejora en la pérdida de validación
early_stopping = EarlyStopping(monitor='val_loss', patience=5)

# Buscar los mejores hiperparámetros utilizando Keras Tuner
tuner.search(X_train, y_train, epochs=50, validation_split=0.2, callbacks=[early_stopping])

# Obtener los mejores hiperparámetros encontrados
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]

# Definir el modelo utilizando los mejores hiperparámetros encontrados
final_model = tuner.hypermodel.build(best_hps)

# Compilar el modelo con la tasa de aprendizaje óptima encontrada
final_model.compile(optimizer=Adam(learning_rate=best_hps.get('learning_rate')), loss='mse')





















In [326]:






# Crear un wrap para el modelo Keras, permite usarlo con scikitlearn
wrapped_model = KerasRegressor(build_fn=create_model, epochs=50, validation_split=0.2, callbacks=[early_stopping])

# Configurar la validación cruzada
kfold = KFold(n_splits=5, shuffle=True, random_state=42)

# Realizar la validación cruzada y calcular el rendimiento del modelo
results_complete = cross_val_score(wrapped_model, X_train, y_train, cv=kfold, scoring='neg_mean_squared_error')

# Mostrar los resultados
print(f"Mean MSE: {-results_complete.mean()}, Standard Deviation: {results_complete.std()}")

























Epoch 1/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 1s 325us/step - loss: 0.0050 - mae: 0.0514 - val_loss: 0.0037 - val_mae: 0.0443
Epoch 2/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 285us/step - loss: 0.0039 - mae: 0.0446 - val_loss: 0.0037 - val_mae: 0.0449
Epoch 3/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0037 - mae: 0.0437 - val_loss: 0.0036 - val_mae: 0.0422
Epoch 4/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 287us/step - loss: 0.0036 - mae: 0.0430 - val_loss: 0.0036 - val_mae: 0.0444
Epoch 5/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 289us/step - loss: 0.0034 - mae: 0.0421 - val_loss: 0.0034 - val_mae: 0.0417
Epoch 6/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0035 - mae: 0.0421 - val_loss: 0.0032 - val_mae: 0.0416
Epoch 7/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0033 - mae: 0.0413 - val_loss: 0.0031 - val_mae: 0.0399
Epoch 8/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 307us/step - loss: 0.0032 - mae: 0.0406 - val_loss: 0.0031 - val_mae: 0.0400
Epoch 9/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0031 - mae: 0.0398 - val_loss: 0.0031 - val_mae: 0.0393
Epoch 10/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0031 - mae: 0.0402 - val_loss: 0.0031 - val_mae: 0.0401
Epoch 11/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0030 - mae: 0.0395 - val_loss: 0.0030 - val_mae: 0.0400
Epoch 12/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 287us/step - loss: 0.0030 - mae: 0.0395 - val_loss: 0.0030 - val_mae: 0.0402
Epoch 13/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 288us/step - loss: 0.0030 - mae: 0.0392 - val_loss: 0.0029 - val_mae: 0.0390
Epoch 14/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0029 - mae: 0.0390 - val_loss: 0.0029 - val_mae: 0.0380
Epoch 15/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 286us/step - loss: 0.0029 - mae: 0.0388 - val_loss: 0.0028 - val_mae: 0.0394
Epoch 16/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 325us/step - loss: 0.0029 - mae: 0.0388 - val_loss: 0.0028 - val_mae: 0.0384
Epoch 17/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0029 - mae: 0.0386 - val_loss: 0.0029 - val_mae: 0.0401
Epoch 18/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0028 - mae: 0.0382 - val_loss: 0.0028 - val_mae: 0.0379
Epoch 19/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0028 - mae: 0.0381 - val_loss: 0.0027 - val_mae: 0.0378
Epoch 20/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0029 - mae: 0.0383 - val_loss: 0.0027 - val_mae: 0.0379
Epoch 21/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0028 - mae: 0.0379 - val_loss: 0.0028 - val_mae: 0.0378
Epoch 22/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0027 - val_mae: 0.0379
Epoch 23/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 305us/step - loss: 0.0027 - mae: 0.0377 - val_loss: 0.0027 - val_mae: 0.0372
Epoch 24/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0027 - val_mae: 0.0378
Epoch 25/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0028 - mae: 0.0378 - val_loss: 0.0027 - val_mae: 0.0385
Epoch 26/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0027 - mae: 0.0371 - val_loss: 0.0026 - val_mae: 0.0374
Epoch 27/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0026 - mae: 0.0365 - val_loss: 0.0026 - val_mae: 0.0369
Epoch 28/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0026 - mae: 0.0367 - val_loss: 0.0026 - val_mae: 0.0367
Epoch 29/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0026 - mae: 0.0366 - val_loss: 0.0027 - val_mae: 0.0379
Epoch 30/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0026 - mae: 0.0368 - val_loss: 0.0027 - val_mae: 0.0372
Epoch 31/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0026 - mae: 0.0368 - val_loss: 0.0026 - val_mae: 0.0370
Epoch 32/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0026 - mae: 0.0365 - val_loss: 0.0026 - val_mae: 0.0364
Epoch 33/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0025 - mae: 0.0362 - val_loss: 0.0025 - val_mae: 0.0367
Epoch 34/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0025 - mae: 0.0361 - val_loss: 0.0025 - val_mae: 0.0364
Epoch 35/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0026 - mae: 0.0364 - val_loss: 0.0025 - val_mae: 0.0361
Epoch 36/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0025 - mae: 0.0363 - val_loss: 0.0026 - val_mae: 0.0370
Epoch 37/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 314us/step - loss: 0.0025 - mae: 0.0363 - val_loss: 0.0027 - val_mae: 0.0371
Epoch 38/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0025 - mae: 0.0358 - val_loss: 0.0025 - val_mae: 0.0365
Epoch 39/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0025 - mae: 0.0362 - val_loss: 0.0025 - val_mae: 0.0362
Epoch 40/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0025 - mae: 0.0360 - val_loss: 0.0025 - val_mae: 0.0360
Epoch 41/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0025 - mae: 0.0357 - val_loss: 0.0024 - val_mae: 0.0358
Epoch 42/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0025 - mae: 0.0356 - val_loss: 0.0025 - val_mae: 0.0358
Epoch 43/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0025 - mae: 0.0356 - val_loss: 0.0024 - val_mae: 0.0360
Epoch 44/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0024 - mae: 0.0352 - val_loss: 0.0025 - val_mae: 0.0360
Epoch 45/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0024 - mae: 0.0353 - val_loss: 0.0025 - val_mae: 0.0370
Epoch 46/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0024 - mae: 0.0353 - val_loss: 0.0026 - val_mae: 0.0376
Epoch 47/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0024 - mae: 0.0351 - val_loss: 0.0025 - val_mae: 0.0356
Epoch 48/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0024 - mae: 0.0351 - val_loss: 0.0025 - val_mae: 0.0361
411/411 ━━━━━━━━━━━━━━━━━━━━ 0s 228us/step
Epoch 1/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 1s 331us/step - loss: 0.0063 - mae: 0.0561 - val_loss: 0.0040 - val_mae: 0.0478
Epoch 2/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0039 - mae: 0.0449 - val_loss: 0.0037 - val_mae: 0.0457
Epoch 3/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0037 - mae: 0.0439 - val_loss: 0.0034 - val_mae: 0.0417
Epoch 4/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0035 - mae: 0.0425 - val_loss: 0.0033 - val_mae: 0.0417
Epoch 5/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 310us/step - loss: 0.0035 - mae: 0.0423 - val_loss: 0.0033 - val_mae: 0.0407
Epoch 6/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 318us/step - loss: 0.0033 - mae: 0.0415 - val_loss: 0.0033 - val_mae: 0.0421
Epoch 7/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 327us/step - loss: 0.0033 - mae: 0.0413 - val_loss: 0.0031 - val_mae: 0.0400
Epoch 8/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 316us/step - loss: 0.0032 - mae: 0.0405 - val_loss: 0.0030 - val_mae: 0.0402
Epoch 9/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0030 - mae: 0.0396 - val_loss: 0.0031 - val_mae: 0.0400
Epoch 10/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0030 - mae: 0.0395 - val_loss: 0.0029 - val_mae: 0.0385
Epoch 11/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0030 - mae: 0.0392 - val_loss: 0.0028 - val_mae: 0.0393
Epoch 12/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 310us/step - loss: 0.0029 - mae: 0.0389 - val_loss: 0.0029 - val_mae: 0.0380
Epoch 13/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0029 - mae: 0.0386 - val_loss: 0.0028 - val_mae: 0.0379
Epoch 14/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 314us/step - loss: 0.0028 - mae: 0.0385 - val_loss: 0.0028 - val_mae: 0.0377
Epoch 15/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0028 - mae: 0.0381 - val_loss: 0.0027 - val_mae: 0.0374
Epoch 16/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0029 - mae: 0.0385 - val_loss: 0.0028 - val_mae: 0.0380
Epoch 17/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 314us/step - loss: 0.0027 - mae: 0.0376 - val_loss: 0.0029 - val_mae: 0.0381
Epoch 18/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0027 - mae: 0.0374 - val_loss: 0.0027 - val_mae: 0.0372
Epoch 19/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 312us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0027 - val_mae: 0.0368
Epoch 20/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 309us/step - loss: 0.0027 - mae: 0.0373 - val_loss: 0.0028 - val_mae: 0.0395
Epoch 21/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0027 - mae: 0.0373 - val_loss: 0.0027 - val_mae: 0.0373
Epoch 22/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 322us/step - loss: 0.0027 - mae: 0.0374 - val_loss: 0.0027 - val_mae: 0.0372
Epoch 23/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 319us/step - loss: 0.0026 - mae: 0.0369 - val_loss: 0.0029 - val_mae: 0.0400
Epoch 24/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0026 - mae: 0.0369 - val_loss: 0.0026 - val_mae: 0.0370
Epoch 25/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0026 - mae: 0.0370 - val_loss: 0.0027 - val_mae: 0.0371
Epoch 26/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 289us/step - loss: 0.0026 - mae: 0.0369 - val_loss: 0.0026 - val_mae: 0.0367
Epoch 27/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 284us/step - loss: 0.0026 - mae: 0.0367 - val_loss: 0.0026 - val_mae: 0.0368
Epoch 28/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0025 - mae: 0.0363 - val_loss: 0.0027 - val_mae: 0.0370
Epoch 29/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0025 - mae: 0.0362 - val_loss: 0.0025 - val_mae: 0.0364
Epoch 30/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0025 - mae: 0.0362 - val_loss: 0.0026 - val_mae: 0.0364
Epoch 31/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 325us/step - loss: 0.0025 - mae: 0.0358 - val_loss: 0.0025 - val_mae: 0.0366
Epoch 32/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0025 - mae: 0.0361 - val_loss: 0.0025 - val_mae: 0.0361
Epoch 33/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0025 - mae: 0.0362 - val_loss: 0.0026 - val_mae: 0.0365
Epoch 34/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0025 - mae: 0.0357 - val_loss: 0.0025 - val_mae: 0.0360
Epoch 35/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0025 - mae: 0.0358 - val_loss: 0.0025 - val_mae: 0.0361
Epoch 36/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0025 - mae: 0.0360 - val_loss: 0.0026 - val_mae: 0.0371
Epoch 37/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 289us/step - loss: 0.0025 - mae: 0.0359 - val_loss: 0.0025 - val_mae: 0.0363
Epoch 38/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0024 - mae: 0.0355 - val_loss: 0.0025 - val_mae: 0.0357
Epoch 39/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0024 - mae: 0.0358 - val_loss: 0.0025 - val_mae: 0.0360
Epoch 40/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0024 - mae: 0.0353 - val_loss: 0.0025 - val_mae: 0.0355
Epoch 41/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 305us/step - loss: 0.0024 - mae: 0.0354 - val_loss: 0.0024 - val_mae: 0.0350
Epoch 42/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0024 - mae: 0.0356 - val_loss: 0.0025 - val_mae: 0.0352
Epoch 43/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0024 - mae: 0.0350 - val_loss: 0.0025 - val_mae: 0.0367
Epoch 44/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0024 - mae: 0.0356 - val_loss: 0.0026 - val_mae: 0.0386
Epoch 45/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0023 - mae: 0.0349 - val_loss: 0.0024 - val_mae: 0.0354
Epoch 46/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0023 - mae: 0.0348 - val_loss: 0.0024 - val_mae: 0.0357
Epoch 47/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0024 - mae: 0.0355 - val_loss: 0.0023 - val_mae: 0.0350
Epoch 48/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0024 - mae: 0.0350 - val_loss: 0.0024 - val_mae: 0.0358
Epoch 49/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0023 - mae: 0.0348 - val_loss: 0.0026 - val_mae: 0.0367
Epoch 50/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0024 - mae: 0.0351 - val_loss: 0.0024 - val_mae: 0.0351
411/411 ━━━━━━━━━━━━━━━━━━━━ 0s 222us/step
Epoch 1/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 1s 336us/step - loss: 0.0057 - mae: 0.0544 - val_loss: 0.0040 - val_mae: 0.0477
Epoch 2/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0040 - mae: 0.0455 - val_loss: 0.0036 - val_mae: 0.0439
Epoch 3/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0036 - mae: 0.0431 - val_loss: 0.0034 - val_mae: 0.0417
Epoch 4/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0035 - mae: 0.0422 - val_loss: 0.0033 - val_mae: 0.0403
Epoch 5/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0033 - mae: 0.0415 - val_loss: 0.0032 - val_mae: 0.0400
Epoch 6/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0033 - mae: 0.0413 - val_loss: 0.0037 - val_mae: 0.0460
Epoch 7/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0032 - mae: 0.0403 - val_loss: 0.0030 - val_mae: 0.0392
Epoch 8/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0032 - mae: 0.0401 - val_loss: 0.0031 - val_mae: 0.0404
Epoch 9/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0031 - mae: 0.0397 - val_loss: 0.0031 - val_mae: 0.0413
Epoch 10/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0031 - mae: 0.0398 - val_loss: 0.0030 - val_mae: 0.0390
Epoch 11/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0030 - mae: 0.0391 - val_loss: 0.0028 - val_mae: 0.0382
Epoch 12/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0030 - mae: 0.0392 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 13/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0029 - mae: 0.0387 - val_loss: 0.0029 - val_mae: 0.0385
Epoch 14/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 309us/step - loss: 0.0030 - mae: 0.0388 - val_loss: 0.0030 - val_mae: 0.0401
Epoch 15/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0030 - mae: 0.0392 - val_loss: 0.0028 - val_mae: 0.0375
Epoch 16/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0028 - mae: 0.0382 - val_loss: 0.0028 - val_mae: 0.0380
Epoch 17/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0029 - mae: 0.0384 - val_loss: 0.0028 - val_mae: 0.0382
Epoch 18/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0028 - mae: 0.0380 - val_loss: 0.0029 - val_mae: 0.0381
Epoch 19/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0027 - mae: 0.0376 - val_loss: 0.0028 - val_mae: 0.0396
Epoch 20/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0028 - mae: 0.0377 - val_loss: 0.0026 - val_mae: 0.0372
Epoch 21/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0027 - mae: 0.0376 - val_loss: 0.0027 - val_mae: 0.0373
Epoch 22/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0026 - val_mae: 0.0367
Epoch 23/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0027 - val_mae: 0.0375
Epoch 24/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0027 - val_mae: 0.0389
Epoch 25/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0026 - mae: 0.0368 - val_loss: 0.0026 - val_mae: 0.0365
Epoch 26/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0027 - val_mae: 0.0388
Epoch 27/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 312us/step - loss: 0.0026 - mae: 0.0370 - val_loss: 0.0026 - val_mae: 0.0367
Epoch 28/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0026 - mae: 0.0368 - val_loss: 0.0026 - val_mae: 0.0375
Epoch 29/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 322us/step - loss: 0.0026 - mae: 0.0364 - val_loss: 0.0026 - val_mae: 0.0368
Epoch 30/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0025 - mae: 0.0363 - val_loss: 0.0026 - val_mae: 0.0369
411/411 ━━━━━━━━━━━━━━━━━━━━ 0s 214us/step
Epoch 1/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 1s 336us/step - loss: 0.0052 - mae: 0.0524 - val_loss: 0.0037 - val_mae: 0.0447
Epoch 2/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0038 - mae: 0.0441 - val_loss: 0.0034 - val_mae: 0.0429
Epoch 3/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0037 - mae: 0.0433 - val_loss: 0.0035 - val_mae: 0.0419
Epoch 4/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 294us/step - loss: 0.0035 - mae: 0.0425 - val_loss: 0.0034 - val_mae: 0.0414
Epoch 5/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0035 - mae: 0.0421 - val_loss: 0.0033 - val_mae: 0.0404
Epoch 6/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0033 - mae: 0.0413 - val_loss: 0.0031 - val_mae: 0.0399
Epoch 7/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0033 - mae: 0.0409 - val_loss: 0.0032 - val_mae: 0.0405
Epoch 8/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0031 - mae: 0.0401 - val_loss: 0.0031 - val_mae: 0.0414
Epoch 9/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0031 - mae: 0.0400 - val_loss: 0.0030 - val_mae: 0.0388
Epoch 10/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0032 - mae: 0.0402 - val_loss: 0.0029 - val_mae: 0.0388
Epoch 11/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0030 - mae: 0.0396 - val_loss: 0.0030 - val_mae: 0.0393
Epoch 12/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0030 - mae: 0.0397 - val_loss: 0.0029 - val_mae: 0.0386
Epoch 13/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0030 - mae: 0.0393 - val_loss: 0.0028 - val_mae: 0.0382
Epoch 14/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0029 - mae: 0.0392 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 15/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0029 - mae: 0.0385 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 16/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 300us/step - loss: 0.0029 - mae: 0.0386 - val_loss: 0.0027 - val_mae: 0.0380
Epoch 17/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0028 - mae: 0.0381 - val_loss: 0.0027 - val_mae: 0.0375
Epoch 18/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 314us/step - loss: 0.0028 - mae: 0.0379 - val_loss: 0.0034 - val_mae: 0.0418
Epoch 19/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 307us/step - loss: 0.0028 - mae: 0.0383 - val_loss: 0.0028 - val_mae: 0.0388
Epoch 20/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0028 - mae: 0.0384 - val_loss: 0.0027 - val_mae: 0.0373
Epoch 21/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0028 - mae: 0.0379 - val_loss: 0.0027 - val_mae: 0.0388
Epoch 22/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0027 - val_mae: 0.0374
Epoch 23/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0026 - val_mae: 0.0374
Epoch 24/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0026 - mae: 0.0370 - val_loss: 0.0026 - val_mae: 0.0363
Epoch 25/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0027 - mae: 0.0373 - val_loss: 0.0025 - val_mae: 0.0363
Epoch 26/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0026 - mae: 0.0366 - val_loss: 0.0026 - val_mae: 0.0364
Epoch 27/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 306us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0026 - val_mae: 0.0381
Epoch 28/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0026 - mae: 0.0370 - val_loss: 0.0026 - val_mae: 0.0377
Epoch 29/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0026 - mae: 0.0367 - val_loss: 0.0027 - val_mae: 0.0379
Epoch 30/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 301us/step - loss: 0.0026 - mae: 0.0367 - val_loss: 0.0027 - val_mae: 0.0382
411/411 ━━━━━━━━━━━━━━━━━━━━ 0s 226us/step
Epoch 1/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 1s 328us/step - loss: 0.0050 - mae: 0.0512 - val_loss: 0.0039 - val_mae: 0.0468
Epoch 2/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 302us/step - loss: 0.0037 - mae: 0.0444 - val_loss: 0.0035 - val_mae: 0.0427
Epoch 3/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0035 - mae: 0.0429 - val_loss: 0.0036 - val_mae: 0.0446
Epoch 4/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0035 - mae: 0.0425 - val_loss: 0.0033 - val_mae: 0.0413
Epoch 5/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0034 - mae: 0.0417 - val_loss: 0.0033 - val_mae: 0.0417
Epoch 6/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 297us/step - loss: 0.0034 - mae: 0.0416 - val_loss: 0.0033 - val_mae: 0.0407
Epoch 7/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0032 - mae: 0.0407 - val_loss: 0.0031 - val_mae: 0.0397
Epoch 8/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0032 - mae: 0.0405 - val_loss: 0.0030 - val_mae: 0.0392
Epoch 9/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - loss: 0.0031 - mae: 0.0402 - val_loss: 0.0030 - val_mae: 0.0395
Epoch 10/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 312us/step - loss: 0.0031 - mae: 0.0396 - val_loss: 0.0031 - val_mae: 0.0406
Epoch 11/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 307us/step - loss: 0.0030 - mae: 0.0393 - val_loss: 0.0029 - val_mae: 0.0384
Epoch 12/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0029 - mae: 0.0392 - val_loss: 0.0029 - val_mae: 0.0386
Epoch 13/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0029 - mae: 0.0389 - val_loss: 0.0030 - val_mae: 0.0398
Epoch 14/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 298us/step - loss: 0.0030 - mae: 0.0389 - val_loss: 0.0029 - val_mae: 0.0390
Epoch 15/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0028 - mae: 0.0382 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 16/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0028 - mae: 0.0384 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 17/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0028 - mae: 0.0382 - val_loss: 0.0030 - val_mae: 0.0404
Epoch 18/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0027 - mae: 0.0376 - val_loss: 0.0029 - val_mae: 0.0378
Epoch 19/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0027 - mae: 0.0377 - val_loss: 0.0027 - val_mae: 0.0373
Epoch 20/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0027 - mae: 0.0377 - val_loss: 0.0027 - val_mae: 0.0383
Epoch 21/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 304us/step - loss: 0.0027 - mae: 0.0377 - val_loss: 0.0028 - val_mae: 0.0381
Epoch 22/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 315us/step - loss: 0.0027 - mae: 0.0375 - val_loss: 0.0027 - val_mae: 0.0372
Epoch 23/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0027 - mae: 0.0374 - val_loss: 0.0028 - val_mae: 0.0382
Epoch 24/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 289us/step - loss: 0.0027 - mae: 0.0372 - val_loss: 0.0028 - val_mae: 0.0383
Epoch 25/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 287us/step - loss: 0.0026 - mae: 0.0371 - val_loss: 0.0027 - val_mae: 0.0370
Epoch 26/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 288us/step - loss: 0.0026 - mae: 0.0371 - val_loss: 0.0027 - val_mae: 0.0376
Epoch 27/50
1313/1313 ━━━━━━━━━━━━━━━━━━━━ 0s 287us/step - loss: 0.0026 - mae: 0.0370 - val_loss: 0.0027 - val_mae: 0.0374
411/411 ━━━━━━━━━━━━━━━━━━━━ 0s 213us/step
Mean MSE: 0.002652587326792442, Standard Deviation: 0.0001275440467535271





















In [328]:






# Entrenar el modelo final con todos los datos de training
final_model.fit(X_train, y_train, epochs=50, validation_split=0.2)

# Realizar predicciones 
NN_pred = final_model.predict(X_test)

#Volver a valores originales, no noramlizados
NN_pred = scaler_train_y.inverse_transform(NN_pred.reshape(-1, 1))
y_test_original = scaler_train_y.inverse_transform(y_test.values.reshape(-1, 1))

# Calcular resultados
calculate_regression_metrics(y_test_original, NN_pred)

























Epoch 1/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 287us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 2/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 269us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 3/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 284us/step - loss: 0.0022 - val_loss: 0.0023
Epoch 4/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 283us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 5/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 281us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 6/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0022 - val_loss: 0.0023
Epoch 7/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 278us/step - loss: 0.0022 - val_loss: 0.0023
Epoch 8/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 277us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 9/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 277us/step - loss: 0.0022 - val_loss: 0.0023
Epoch 10/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 282us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 11/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 281us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 12/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 278us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 13/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 14/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 284us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 15/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 285us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 16/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 285us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 17/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 282us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 18/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 282us/step - loss: 0.0022 - val_loss: 0.0022
Epoch 19/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 288us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 20/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 21/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 299us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 22/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 1s 298us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 23/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 24/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 25/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 291us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 26/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 27/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 286us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 28/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 29/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 284us/step - loss: 0.0021 - val_loss: 0.0023
Epoch 30/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 288us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 31/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 32/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 33/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 280us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 34/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 279us/step - loss: 0.0020 - val_loss: 0.0022
Epoch 35/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 279us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 36/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 276us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 37/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 286us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 38/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - loss: 0.0021 - val_loss: 0.0021
Epoch 39/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 1s 300us/step - loss: 0.0021 - val_loss: 0.0022
Epoch 40/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 282us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 41/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 277us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 42/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 279us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 43/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 281us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 44/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 278us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 45/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 1s 304us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 46/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 1s 300us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 47/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 1s 311us/step - loss: 0.0020 - val_loss: 0.0022
Epoch 48/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 290us/step - loss: 0.0020 - val_loss: 0.0021
Epoch 49/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 295us/step - loss: 0.0020 - val_loss: 0.0022
Epoch 50/50
1641/1641 ━━━━━━━━━━━━━━━━━━━━ 0s 293us/step - loss: 0.0020 - val_loss: 0.0022
513/513 ━━━━━━━━━━━━━━━━━━━━ 0s 192us/step
- Mean Absolute Error (MAE): 6.665860132480591
- Mean Squared Error (MSE): 83.39813445680186
- Root Mean Squared Error (RMSE): 9.13225790573185
- R-squared (R²): 0.7200874315212678

























El resultado de ETR es mejor. El valor de MSE con Neural Network es mayor. Por lo tanto el mejor modelo final es el ETR.¶
Para este dataset en especifico no es viable llevar a cabo un analisis utilizando modelos de timeseries, ya que se tiene varias entradas de datos por cada día, y un modelo de timeseries implica tener un dato por día. Una posible via para llevar a cabo el analisis sería utilizar un promedio o el valor máximo por dia, pero esto implicaria agregarle sesgo a la data proporcionada. Es por esto que se decidió utilizar modelos de machine learning y redes neuronales.¶






















7. Set de Testing¶
Aplico mismos pasos que se aplicó a data de training.


















In [29]:






#Cargo archivo de prueba
test = pd.read_csv('/Users/carlazurcher/Downloads/geoai-ground-level-no2-estimation-challenge20240612-4943-16iro0r/Test.csv')
test





















Out[29]:












ID_Zindi
Date
ID
LAT
LON
Precipitation
LST
AAI
CloudFraction
NO2_strat
NO2_total
NO2_trop
TropopausePressure






0
ID_2MYNQS
1/1/19
PD03
45.289376
11.642394
3.277529
NaN
-0.313361
0.771456
0.000024
0.000075
NaN
14440.02819




1
ID_P4U5WU
1/1/19
TV03
45.836941
12.510362
0.000000
NaN
-0.229512
0.398208
0.000023
0.000120
NaN
14434.04790




2
ID_U4KWPK
1/1/19
X5561
45.582894
8.842165
0.000000
282.98
-0.470822
0.153694
0.000023
0.000171
0.000148
14427.42478




3
ID_QGSNTZ
1/1/19
X5953
45.131947
10.015742
1.928031
NaN
0.132952
0.756917
0.000024
0.000266
NaN
14443.09006




4
ID_GHSZ6K
1/1/19
X6701
45.186329
9.146666
0.000000
NaN
-0.198272
0.678858
0.000023
0.000149
NaN
14440.85840




...
...
...
...
...
...
...
...
...
...
...
...
...
...




6571
ID_GUSXU9
12/31/21
TV03
45.836941
12.510362
0.000000
282.58
-0.013364
0.000000
0.000032
0.000135
0.000103
13060.46860




6572
ID_GMVEG1
12/31/21
X5561
45.582894
8.842165
0.000000
285.12
-0.412887
0.002098
0.000031
0.000201
0.000171
13056.11764




6573
ID_GD6HNP
12/31/21
X5953
45.131947
10.015742
0.000000
NaN
NaN
NaN
NaN
NaN
NaN
NaN




6574
ID_J7YW1Y
12/31/21
X6701
45.186329
9.146666
0.000000
NaN
-1.025128
0.476947
0.000031
0.000751
NaN
13063.22260




6575
ID_I4E04N
12/31/21
X6877
45.151743
10.781408
0.000000
273.42
-0.844936
0.460769
0.000032
0.000488
NaN
13064.08868






6576 rows × 13 columns






















In [30]:






#Verifico informacion basica 
test.info()

























<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6576 entries, 0 to 6575
Data columns (total 13 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   ID_Zindi            6576 non-null   object 
 1   Date                6576 non-null   object 
 2   ID                  6576 non-null   object 
 3   LAT                 6576 non-null   float64
 4   LON                 6576 non-null   float64
 5   Precipitation       6576 non-null   float64
 6   LST                 3595 non-null   float64
 7   AAI                 5708 non-null   float64
 8   CloudFraction       5708 non-null   float64
 9   NO2_strat           5708 non-null   float64
 10  NO2_total           5708 non-null   float64
 11  NO2_trop            3998 non-null   float64
 12  TropopausePressure  5708 non-null   float64
dtypes: float64(10), object(3)
memory usage: 668.0+ KB





















In [31]:






#Corregir formato de fecha mixto (algunos poseen / otros -)
test['Date'] = test['Date'].str.replace('/', '-')


#Corregir fecha a datetime
test['Date']=pd.to_datetime(test['Date'],format='%m-%d-%y')
test['Date']





















Out[31]:




0      2019-01-01
1      2019-01-01
2      2019-01-01
3      2019-01-01
4      2019-01-01
          ...    
6571   2021-12-31
6572   2021-12-31
6573   2021-12-31
6574   2021-12-31
6575   2021-12-31
Name: Date, Length: 6576, dtype: datetime64[ns]




















In [32]:






# Extraer año, mes, dia.
test['Year'] = test['Date'].dt.year
test['Month'] = test['Date'].dt.month
test['Day'] = test['Date'].dt.day





















In [33]:






#Paso ID a index 
test.set_index('ID_Zindi', inplace=True)
test.head()





















Out[33]:












Date
ID
LAT
LON
Precipitation
LST
AAI
CloudFraction
NO2_strat
NO2_total
NO2_trop
TropopausePressure
Year
Month
Day




ID_Zindi





















ID_2MYNQS
2019-01-01
PD03
45.289376
11.642394
3.277529
NaN
-0.313361
0.771456
0.000024
0.000075
NaN
14440.02819
2019
1
1




ID_P4U5WU
2019-01-01
TV03
45.836941
12.510362
0.000000
NaN
-0.229512
0.398208
0.000023
0.000120
NaN
14434.04790
2019
1
1




ID_U4KWPK
2019-01-01
X5561
45.582894
8.842165
0.000000
282.98
-0.470822
0.153694
0.000023
0.000171
0.000148
14427.42478
2019
1
1




ID_QGSNTZ
2019-01-01
X5953
45.131947
10.015742
1.928031
NaN
0.132952
0.756917
0.000024
0.000266
NaN
14443.09006
2019
1
1




ID_GHSZ6K
2019-01-01
X6701
45.186329
9.146666
0.000000
NaN
-0.198272
0.678858
0.000023
0.000149
NaN
14440.85840
2019
1
1


























In [34]:






#Agrupo variables numericas
test_numeric= test.select_dtypes(include=['number'])
test_numeric





















Out[34]:












LAT
LON
Precipitation
LST
AAI
CloudFraction
NO2_strat
NO2_total
NO2_trop
TropopausePressure
Year
Month
Day




ID_Zindi



















ID_2MYNQS
45.289376
11.642394
3.277529
NaN
-0.313361
0.771456
0.000024
0.000075
NaN
14440.02819
2019
1
1




ID_P4U5WU
45.836941
12.510362
0.000000
NaN
-0.229512
0.398208
0.000023
0.000120
NaN
14434.04790
2019
1
1




ID_U4KWPK
45.582894
8.842165
0.000000
282.98
-0.470822
0.153694
0.000023
0.000171
0.000148
14427.42478
2019
1
1




ID_QGSNTZ
45.131947
10.015742
1.928031
NaN
0.132952
0.756917
0.000024
0.000266
NaN
14443.09006
2019
1
1




ID_GHSZ6K
45.186329
9.146666
0.000000
NaN
-0.198272
0.678858
0.000023
0.000149
NaN
14440.85840
2019
1
1




...
...
...
...
...
...
...
...
...
...
...
...
...
...




ID_GUSXU9
45.836941
12.510362
0.000000
282.58
-0.013364
0.000000
0.000032
0.000135
0.000103
13060.46860
2021
12
31




ID_GMVEG1
45.582894
8.842165
0.000000
285.12
-0.412887
0.002098
0.000031
0.000201
0.000171
13056.11764
2021
12
31




ID_GD6HNP
45.131947
10.015742
0.000000
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2021
12
31




ID_J7YW1Y
45.186329
9.146666
0.000000
NaN
-1.025128
0.476947
0.000031
0.000751
NaN
13063.22260
2021
12
31




ID_I4E04N
45.151743
10.781408
0.000000
273.42
-0.844936
0.460769
0.000032
0.000488
NaN
13064.08868
2021
12
31






6576 rows × 13 columns






















In [35]:






#Drop las mismas variables que en el de training
test_numeric=test_numeric.drop(columns=['Precipitation', 'LST', 'AAI', 'NO2_trop', 'NO2_total','CloudFraction'])





















In [36]:






#Ddeteccion de missings

#Aplico formula
missing_proport(test_numeric)





















Out[36]:




NO2_strat             13.199513
TropopausePressure    13.199513
LAT                    0.000000
LON                    0.000000
Year                   0.000000
Month                  0.000000
Day                    0.000000
dtype: float64




















In [37]:






# Selecciono las variables a imputar
features = ['NO2_strat','TropopausePressure']

# Reseteo index antes de normalizar
test_numeric.reset_index(inplace=True)

# Normalizar toda la data para un mejor manejo.
scaler = MinMaxScaler()
test_numeric_scaled = scaler.fit_transform(test[features])  # Fit and transform on the selected features

# Convertir el array normalizado a dataframe
test_numeric_scaled = pd.DataFrame(test_numeric_scaled, columns=features)

# Usar la data normalizada para imputaacion
imputer_test = IterativeImputer(estimator=BayesianRidge())
df_imputed_test= imputer_test.fit_transform(test_numeric_scaled)

# Convertir data imputada de vuelta a DataFrame 
df_imputed_test = pd.DataFrame(df_imputed_test, columns=features)

# Revertir la normalizacion 
df_imputed_test_original_scale = pd.DataFrame(scaler.inverse_transform(df_imputed_test), columns=features)

# Reemplazar valores en dataframe
test_numeric.loc[:, features] = df_imputed_test_original_scale

# 'ID_Zindi' como index
test_numeric.set_index('ID_Zindi', inplace=True)





















In [38]:






#Verifico Nan otra vez
missing_proport(test_numeric)





















Out[38]:




LAT                   0.0
LON                   0.0
NO2_strat             0.0
TropopausePressure    0.0
Year                  0.0
Month                 0.0
Day                   0.0
dtype: float64




















In [39]:






#Normalizar data
test_scaled = scaler_out_x.fit_transform(test_numeric)
test_scaled_df= pd.DataFrame(test_scaled, columns=test_numeric.columns,index=test_numeric.index)

























7.1 ETR Model Predicciones¶
Predicciones hechas con modelo ETR sin corrección de outilers


















In [40]:






# Generar las predicciones con el mejor modelo entrenado
etr_scaled_predictions = etr_model_outliers.predict(test_scaled_df)

# Transformarlo a un array de 2D 
etr_scaled_predictions = etr_scaled_predictions.reshape(-1, 1)

# Revertir a escala original 
etr_predictions = scaler_out_y.inverse_transform(etr_scaled_predictions)

# Convertir predicciones a DataFrame
etr_predictions_df = pd.DataFrame(etr_predictions, index=test_scaled_df.index, columns=['GT_NO2'])

# Mostrar predicciones
print(etr_predictions_df)

























              GT_NO2
ID_Zindi            
ID_2MYNQS  45.810588
ID_P4U5WU  34.606269
ID_U4KWPK  54.306910
ID_QGSNTZ  40.039354
ID_GHSZ6K  38.663667
...              ...
ID_GUSXU9  35.396465
ID_GMVEG1  28.958234
ID_GD6HNP  27.991938
ID_J7YW1Y  33.290215
ID_I4E04N  32.031831

[6576 rows x 1 columns]





















In [41]:






# Exporto predicciónes a CSV
etr_predictions_df.to_csv('ETR.csv')

























7.2 NN Model predicciones¶
Predicciones con modelo de Neural Network


















In [342]:






# Generar las predicciones con el mejor modelo entrenado
NN_scaled_predictions = final_model.predict(test_scaled_df)

# Transformarlo a un array de 2D 
NN_scaled_predictions = NN_scaled_predictions.reshape(-1, 1)

# Revertir a escala original
NN_predictions = scaler_train_y.inverse_transform(NN_scaled_predictions)

# Convertir predicciones a DataFrame
NN_df = pd.DataFrame(NN_predictions, index=test_scaled_df.index, columns=['GT_NO2'])

# Mostrar predicciones
print(NN_df)

























206/206 ━━━━━━━━━━━━━━━━━━━━ 0s 213us/step
              GT_NO2
ID_Zindi            
ID_2MYNQS  20.403675
ID_P4U5WU  32.795277
ID_U4KWPK  38.553070
ID_QGSNTZ  26.489946
ID_GHSZ6K  30.378811
...              ...
ID_GUSXU9  37.008095
ID_GMVEG1  34.690079
ID_GD6HNP  29.328226
ID_J7YW1Y  36.333340
ID_I4E04N  27.617683

[6576 rows x 1 columns]





















In [343]:






# Exporto predicciónes a CSV
NN_df.to_csv('NN_predictions.csv', index=True)

























8. Guardo informacion del mejor modelo de ETR para aplicacion¶


















In [42]:






import joblib

# Save models for online app
#ETR MODEL
joblib.dump(etr_model_outliers, 'etr_model.pkl')

#Scaler y
joblib.dump(scaler_out_y, 'scaler_train_Y.pkl')

#Scaler x
joblib.dump(scaler_out_x, 'scaler_train_X.pkl')





















Out[42]:




['scaler_train_X.pkl']




















In [ ]: